Monte-Carlo Simulation im Fußball: Saisonverläufe statistisch vorhersagen

Wer wird Meister? Wer steigt ab? Wer qualifiziert sich für die Champions League? Diese Fragen lassen sich nicht mit Gewissheit beantworten — aber mit Wahrscheinlichkeiten. Monte-Carlo-Simulationen berechnen diese Wahrscheinlichkeiten, indem sie eine Saison tausende Male virtuell durchspielen.

Tausende Szenarien, ein Ergebnis — das ist das Prinzip. Jeder Durchlauf simuliert jeden verbleibenden Spieltag mit zufälligen Ergebnissen, die auf den Stärken der Teams basieren. Nach 10.000 Durchläufen zeigt sich: In wie vielen Szenarien wurde Bayern Meister? In wie vielen stieg Köln ab? Die Häufigkeiten übersetzen sich in Wahrscheinlichkeiten.

Der Name stammt vom berühmten Casino in Monaco — ein passender Verweis auf die Rolle des Zufalls. Aber im Gegensatz zum Roulette ist der Zufall hier nicht blind. Er wird durch Daten geleitet: Die Stärken der Teams, ihre Heim- und Auswärtsbilanzen, ihre Form. Der Zufall entscheidet, ob ein Spiel 2:1 oder 1:2 endet, aber die Wahrscheinlichkeiten dafür sind berechnet.

Diese Methode ist kein Orakel. Sie extrapoliert aktuelle Stärkeverhältnisse in die Zukunft — unter der Annahme, dass sich nichts Wesentliches ändert. Verletzungen, Trainerwechsel, Formschwankungen sind nicht eingepreist. Aber sie liefert eine strukturierte Antwort auf Fragen, die sonst nur mit Bauchgefühl beantwortet werden.

Wie Monte-Carlo funktioniert

Der Algorithmus folgt einem klaren Ablauf. Zuerst werden die Stärken aller Teams quantifiziert — meist durch ELO-Ratings oder ähnliche Systeme. Eine Analyse der Tilburg University zeigt, dass optimierte ELO-Modelle für die Bundesliga eine Genauigkeit von 52,4 Prozent erreichen. Diese Genauigkeit ist die Grundlage jeder Simulation.

Aus den ELO-Differenzen lassen sich Siegwahrscheinlichkeiten ableiten. Wenn Bayern einen ELO-Vorsprung von 200 Punkten auf den Gegner hat, liegt die Siegwahrscheinlichkeit bei etwa 76 Prozent. Diese Wahrscheinlichkeit wird in der Simulation genutzt, um ein zufälliges Ergebnis zu generieren — Bayern gewinnt in 76 von 100 Durchläufen, verliert in 24.

Der Zufallsgenerator ist zentral. Er produziert für jedes Spiel eine Zahl zwischen 0 und 1. Liegt diese Zahl unter der Siegwahrscheinlichkeit des Heimteams, gewinnt das Heimteam. Liegt sie darüber, aber unter der Summe aus Heim- und Unentschieden-Wahrscheinlichkeit, endet das Spiel unentschieden. Der Rest geht an die Auswärtsmannschaft. Dieses Prinzip wiederholt sich für jedes Spiel.

Jeder Durchlauf simuliert alle verbleibenden Spiele der Saison. Nach jedem virtuellen Spieltag wird die Tabelle aktualisiert. Am Ende steht ein vollständiges Saisonergebnis: Meister, Absteiger, internationale Plätze. Dieser Prozess wird 10.000 Mal wiederholt — oder häufiger, je nach gewünschter Präzision.

Die Aggregation der Ergebnisse liefert Wahrscheinlichkeiten. Wenn Bayern in 8.500 von 10.000 Simulationen Meister wird, beträgt die Meisterwahrscheinlichkeit 85 Prozent. Wenn Köln in 2.300 Durchläufen absteigt, liegt die Abstiegswahrscheinlichkeit bei 23 Prozent. Diese Zahlen sind keine Vorhersagen, sondern Wahrscheinlichkeitsverteilungen.

Die Qualität der Eingabedaten bestimmt die Qualität der Ergebnisse. Fehlerhafte ELO-Ratings führen zu fehlerhaften Wahrscheinlichkeiten. Deshalb ist die Kalibrierung der Stärkemodelle entscheidend — und der Grund, warum professionelle Simulationen ständig aktualisiert werden. Nach jedem Spieltag fließen neue Daten ein.

Anwendungsbeispiele

Die häufigste Anwendung: Meisterschaftsprognosen. Nach dem 20. Spieltag zeigt die Simulation, wie wahrscheinlich jedes Team den Titel holt. Ein Fünf-Punkte-Vorsprung klingt komfortabel, aber die Simulation kann zeigen, dass die Meisterwahrscheinlichkeit nur bei 70 Prozent liegt — weil der Spielplan schwieriger ist oder die Verfolger stärker.

Abstiegskämpfe eignen sich besonders gut für Simulationen. Hier ist die Unsicherheit hoch, und kleine Unterschiede in der Punktzahl führen zu großen Unterschieden in der Abstiegswahrscheinlichkeit. Ein Team auf Platz 16 kann eine Abstiegswahrscheinlichkeit von 45 Prozent haben, während das Team auf Platz 17 bei 55 Prozent liegt — obwohl nur ein Punkt sie trennt. Die Simulation zeigt die Unsicherheit, die die Tabelle verbirgt.

Stefan Szymanski, Co-Autor von Soccernomics, betont die zunehmende Bedeutung von Analytik in Fußballclubs. Viele Vereine nutzen interne Simulationen, um strategische Entscheidungen zu treffen: Lohnt sich ein teurer Wintertransfer, wenn die Abstiegswahrscheinlichkeit bei 15 Prozent liegt? Die Simulation liefert Zahlen für diese Diskussion — keine Entscheidungen, aber eine Grundlage.

Champions-League-Plätze sind ein weiterer Anwendungsbereich. Nach dem 25. Spieltag kann die Simulation zeigen, dass Platz 4 mit 82 Prozent Wahrscheinlichkeit an Dortmund geht — auch wenn Leipzig punktgleich ist. Der Grund: Dortmund hat das leichtere Restprogramm. Solche Unterschiede sind ohne Simulation schwer zu quantifizieren.

Relegationskämpfe profitieren ebenfalls. Die Simulation zeigt nicht nur, wer absteigt, sondern auch wer in die Relegation muss. Ein Team auf Platz 15 mit 32 Punkten hat vielleicht eine 60-prozentige Chance auf direkten Klassenerhalt, eine 25-prozentige Chance auf Relegation und eine 15-prozentige Chance auf direkten Abstieg. Diese Differenzierung ist mit bloßem Blick auf die Tabelle nicht möglich.

Für Wetten bieten Simulationen langfristige Märkte. Die Meisterquote, die Abstiegsquote, die Top-4-Quote — all diese Wetten lassen sich mit Simulationsergebnissen bewerten. Wenn die Buchmacher Bayern eine Meisterquote von 1,5 geben, aber die Simulation nur 75 Prozent zeigt, könnte der Markt überschätzt sein.

Grenzen und Unsicherheiten

Die größte Schwäche: Monte-Carlo-Simulationen extrapolieren die Gegenwart in die Zukunft. Sie können nicht vorhersagen, dass ein Schlüsselspieler verletzt wird, ein Trainer entlassen wird oder ein Team in eine Formkrise gerät. Diese Ereignisse ändern die Stärkeverhältnisse — aber die Simulation weiß nichts davon.

Die Qualität der Eingabedaten ist entscheidend. ELO-Systeme benötigen nach wissenschaftlichen Analysen etwa 20 bis 30 Spiele, um die tatsächliche Stärke einer Mannschaft zuverlässig abzubilden. Zu Saisonbeginn sind die Ratings unsicher — und damit auch die Simulationen. Im Herbst sind die Prognosen belastbarer als im August.

Aufsteiger sind besonders problematisch. Ihre ELO-Werte stammen aus der zweiten Liga und müssen für die Bundesliga extrapoliert werden. Diese Extrapolation ist unsicher, weil die Stärkeverhältnisse zwischen den Ligen schwer zu quantifizieren sind. Manche Aufsteiger überraschen positiv, andere negativ — die Simulation kann das nicht vorhersagen.

Unabhängigkeit der Spiele wird vorausgesetzt, aber nicht immer gegeben. Wenn ein Team aus dem Pokal ausscheidet, kann sich der Fokus auf die Liga verschieben. Wenn der Meistertitel entschieden ist, rotiert der Champion. Wenn nichts mehr auf dem Spiel steht, lässt die Motivation nach. Diese Dynamiken erfasst die Standardsimulation nicht.

Die Präzision der Zahlen täuscht über die Unsicherheit hinweg. Eine Meisterwahrscheinlichkeit von 78,3 Prozent klingt exakt, aber die dritte Nachkommastelle ist bedeutungslos. Der Unterschied zwischen 75 und 80 Prozent ist kaum messbar — beide Werte sagen im Wesentlichen dasselbe: Bayern ist klarer Favorit, aber nicht sicher.

Trotz der Grenzen sind Monte-Carlo-Simulationen das beste verfügbare Werkzeug für Langzeitprognosen. Sie zwingen zur Quantifizierung von Unsicherheit, statt sie zu ignorieren. Sie zeigen, dass ein Fünf-Punkte-Vorsprung nicht gleichbedeutend mit der Meisterschaft ist. Und sie liefern eine Diskussionsgrundlage, die besser ist als reine Spekulation.

Tausende Szenarien, ein Ergebnis — aber dieses Ergebnis ist eine Wahrscheinlichkeit, keine Gewissheit. Wer das versteht, nutzt die Methode richtig. Wer Wahrscheinlichkeiten mit Vorhersagen verwechselt, missversteht sie grundlegend.

Die Stärke der Monte-Carlo-Methode liegt nicht in der Vorhersage, sondern in der Quantifizierung von Unsicherheit. Sie zeigt nicht, wer Meister wird, sondern wie wahrscheinlich jedes Team Meister werden kann. Sie eliminiert nicht den Zufall, sondern macht ihn sichtbar. In einer Welt, die nach einfachen Antworten sucht, ist das ein unbequemer, aber ehrlicher Ansatz.

Für den analytischen Fußballfan ist die Simulation ein unverzichtbares Werkzeug. Sie ersetzt nicht das Schauen von Spielen, aber sie ergänzt es um eine Dimension, die dem bloßen Auge verborgen bleibt: die mathematische Struktur des Zufalls. Wer diese Struktur versteht, sieht den Fußball mit anderen Augen — realistischer, aber nicht weniger faszinierend.