Corsi, Fenwick & Expected Goals: Advanced Analytics für Eishockey-Wetten

Die meisten Eishockey-Wetter analysieren Tore, Siege und Niederlagen. Das ist wie ein Aktienanalyst, der nur den Kurs betrachtet und die Bilanzkennzahlen ignoriert. Tore sind das Ergebnis, aber nicht der Prozess. Und im Sportwettenbereich ist der Prozess oft ein besserer Prädiktor für zukünftige Ergebnisse als das Ergebnis selbst.

Advanced Analytics im Eishockey gehen tiefer. Corsi misst Schussversuche, Fenwick filtert geblockte Schüsse heraus, Expected Goals modelliert die Qualität jeder Torchance. Diese Metriken existieren seit über einem Jahrzehnt im NHL-Analysebreich, aber im Wettmarkt werden sie erst langsam adaptiert. Das bedeutet: Wetter, die Advanced Analytics verstehen und anwenden, haben einen Informationsvorsprung, den die Mehrheit des Marktes noch nicht eingeholt hat.

Dieser Artikel erklärt die drei wichtigsten Advanced-Analytics-Metriken, zeigt ihre Vorhersagekraft und liefert einen Praxisleitfaden für die Integration in den Wettworkflow.

Corsi, Fenwick und Expected Goals: Was sie messen und warum

Corsi ist die grundlegendste Advanced-Metrik im Eishockey. Sie zählt alle Schussversuche eines Teams bei 5-gegen-5: Schüsse aufs Tor, geblockte Schüsse und Fehlschüsse. Corsi For (CF) sind die eigenen Schussversuche, Corsi Against (CA) die des Gegners. Das Corsi-Percentage (CF%) gibt den Anteil der eigenen Schussversuche an allen Schussversuchen an. Ein CF% von 53 Prozent bedeutet: Von allen Schussversuchen im Spiel gingen 53 Prozent vom eigenen Team aus.

Warum ist das relevant? Weil Schussversuche ein Indikator für Spielkontrolle sind. Ein Team mit hohem Corsi kontrolliert den Puck häufiger, erzeugt mehr Offensivdruck und lässt weniger zu. Laut einer Untersuchung von Hockey-Graphs ist Score & Venue Adjusted Corsi der beste verfügbare Prädiktor für zukünftige Teamsiege, besser als das aktuelle Torverhältnis. Das heißt: Ein Team mit starkem Corsi, aber schwacher Torbilanz wird sich mit hoher Wahrscheinlichkeit verbessern. Ein Team mit schwachem Corsi, aber guter Torbilanz wird sich mit hoher Wahrscheinlichkeit verschlechtern.

Fenwick ist eine Variation von Corsi, die geblockte Schüsse ausschließt. Die Logik: Ein geblockter Schuss erreicht den Torwart nicht und hat daher eine geringere Torwahrscheinlichkeit als ein Schuss, der durchkommt. Fenwick filtert diese Schüsse heraus und liefert ein etwas klareres Bild der tatsächlichen Offensivqualität. In der Praxis korrelieren Corsi und Fenwick stark miteinander, aber für bestimmte Analysen, etwa bei Teams mit vielen geblockten Schüssen, kann Fenwick die präzisere Metrik sein.

Expected Goals (xG) gehen einen Schritt weiter. Statt nur Schussversuche zu zählen, bewertet xG jeden Schussversuch nach seiner Torwahrscheinlichkeit. Ein Schuss aus dem Slot hat eine höhere xG als ein Distanzschuss. Ein Schuss nach einem Pass quer durch das Slot hat eine höhere xG als ein Schuss nach einem Dump-In. Das Modell berücksichtigt Schussposition, Schusstyp, vorherige Pässe, Spielsituation und weitere Variablen.

Ein Team mit einem xG-Differential von +0.5 pro Spiel erzeugt im Schnitt eine halbe erwartete Torgelegenheit mehr, als es zulässt. Über 82 Spiele summiert sich das zu 41 erwarteten Toren Differenz, was im Ligakontext einem Topteam entspricht. Für Wetter ist xG die aussagekräftigste Metrik, weil sie Schussqualität und Schussquantität kombiniert.

Vorhersagekraft: Warum Prozess wichtiger ist als Ergebnis

Die zentrale Erkenntnis der Advanced-Analytics-Forschung: Ein Team mit starken Prozessmetriken und schwachen Ergebnissen wird sich erholen. Ein Team mit schwachen Prozessmetriken und starken Ergebnissen wird einbrechen. Akademische Untersuchungen, darunter eine Studie der West Point Academy, bestätigen, dass der Schussdifferential (Shot Differential), gemessen durch Corsi und Fenwick, zukünftige Tordifferentiale besser vorhersagt als das aktuelle Torverhältnis selbst.

Für Wetter hat das eine unmittelbare Konsequenz: Die aktuellen Quoten basieren auf Ergebnissen, nicht auf Prozessmetriken. Wenn ein Team nach 20 Spielen eine Bilanz von 8-10-2 hat, aber ein CF% von 55 und ein xG-Differential von +0.4, dann ist dieses Team besser als seine Bilanz suggeriert. Die Quoten reflektieren die schwache Bilanz, nicht die starken underlying Metriken. Das ist ein klassisches Value-Szenario.

Umgekehrt: Ein Team mit einer 12-6-2-Bilanz, aber einem CF% von 46 und einem xG-Differential von -0.3, überperformt seine Prozessmetriken. Die Quoten spiegeln die gute Bilanz wider und machen das Team zum Favoriten. Aber die Regressionstendenz arbeitet gegen dieses Team. In den kommenden Wochen wird seine Bilanz wahrscheinlich schlechter werden, und die Quoten werden nachziehen.

Der Zeitpunkt ist entscheidend. In den ersten 20 bis 30 Spielen der Saison sind die Diskrepanzen zwischen Ergebnis und Prozess am größten, weil die Stichprobe noch klein ist und Glück eine überproportionale Rolle spielt. In dieser Phase ist der Informationsvorsprung durch Advanced Analytics am wertvollsten. Ab der Saisonmitte konvergieren Ergebnis und Prozess, und der Edge schrumpft.

Praxis: Advanced Analytics in den Wettworkflow integrieren

Drei Schritte, um Advanced Analytics für Eishockey-Wetten zu nutzen.

Schritt eins: Datenquellen einrichten. Für NHL-Daten bieten mehrere öffentliche Plattformen kostenlose Corsi-, Fenwick- und xG-Statistiken: Natural Stat Trick, Hockey-Reference und MoneyPuck. Alle drei zeigen Team- und Spielerdaten bei 5-gegen-5, aufgeschlüsselt nach Heim- und Auswärtsspielen, Saisonphasen und Gegnerstärke. Ein Lesezeichen-Ordner mit diesen drei Seiten reicht als Grundausstattung.

Schritt zwei: Vor jeder Wette die CF%- und xG-Daten der beteiligten Teams prüfen. Liegt das Heimteam bei einem CF% von 54 und einem xG-Differential von +0.6, das Auswärtsteam aber bei 47 und -0.4? Dann ist die Spielkontrolle klar verteilt, und die Analyse unterstützt das Heimteam, sofern die Quote Value bietet.

Schritt drei: Ergebnis und Prozess vergleichen. Wenn ein Team eine schlechtere Bilanz hat als seine xG-Metriken erwarten lassen, notieren. Wenn die Quoten die schwache Bilanz reflektieren, die Prozessmetriken aber auf eine Verbesserung hindeuten, ist das ein Kandidat für die Watchlist. Nicht sofort wetten, sondern beobachten, ob sich der Trend bestätigt.

Schritt vier: Kontextfaktoren einbeziehen. Corsi und xG sollten nicht isoliert betrachtet werden. Ein Team, das in den letzten fünf Spielen ohne seinen Nummer-eins-Torhüter angetreten ist, hat möglicherweise ein niedrigeres CF%, weil die Mannschaft defensiver gespielt hat. Ein Team auf einer langen Auswärtsreise zeigt typischerweise schwächere Corsi-Werte als im Heimspiel. Die Score-Adjusted-Varianten der Metriken korrigieren für Spielstandseffekte, aber nicht für Kontextfaktoren wie Reisestress oder Kaderverletzungen. Diese Einordnung bleibt Aufgabe des Wetters.

Schritt fünf: Zeitfenster definieren. Advanced Analytics sind in der frühen Saisonphase am wertvollsten, wenn die Diskrepanz zwischen Prozess und Ergebnis am größten ist. In den ersten 25 Spielen der Saison ist die Datenbasis für Ergebnis-basierte Bewertungen dünn, aber die Prozessmetriken stabilisieren sich bereits nach 15 bis 20 Spielen. Wer in dieser Phase die underlying Metriken nutzt, während der Markt noch auf Bilanzen reagiert, hat das breiteste Value-Fenster der gesamten Saison.

Ein letzter Hinweis: Advanced Analytics sind kein Orakel. Sie verbessern die Entscheidungsqualität, garantieren aber keine Gewinne. Ein Team mit starkem Corsi kann trotzdem verlieren, wenn der gegnerische Torwart 40 Schüsse hält. Die Metriken reduzieren die Varianz in der Analyse, eliminieren sie aber nicht. Sie sind ein Werkzeug, kein Autopilot.

Fazit

Advanced Analytics sind der tiefste Analyselayer, den der Eishockey-Wettmarkt bietet. Corsi misst Spielkontrolle, Fenwick filtert Rauschen, Expected Goals bewertet Schussqualität. Gemeinsam liefern sie ein Bild der Teamstärke, das über das reine Ergebnis hinausgeht und die Zukunft besser vorhersagt als die Vergangenheit.

Für Wetter liegt der Wert in der Diskrepanz zwischen Prozess und Ergebnis. Teams, die besser spielen als ihre Bilanz zeigt, bieten Value. Teams, die schlechter spielen als ihre Bilanz suggeriert, sind überbewertete Favoriten. Wer diese Diskrepanzen erkennt und in Wettentscheidungen übersetzt, hat einen analytischen Vorteil, den die Mehrheit des Marktes noch nicht nutzt.