Statistische Modellierung von Eishockey Ergebnissen

Problemstellung

Du hast den Job, die nächsten NHL‑Spiele vorherzusagen. Das ist kein Quiz, das ist Wissenschaft. Jeder Trainer, jeder Analyst, jeder Buchmacher kämpft mit unzähligen Variablen, und du bist der, der das Chaos in Ordnung bringen muss. Das Kernproblem: Wie wandelst du rohe Spielstatistiken in zuverlässige Wahrscheinlichkeiten um?

Datengrundlage

Erstmal die Rohdaten. Historische Tore, Power‑Play‑Effizienz, Torverhältnis, Spieler‑Ausfälle – das ist dein Rohstoff. Und wenn du nach sauber strukturierten Datensätzen suchst, schau auf eishockeyquoten.com. Dort bekommst du Spiel‑by‑Spiel‑Tabellen, Schuss‑auf‑Tor‑Analysen und sogar Zeitreihen der Torhüter‑Performance. Qualität der Daten entscheidet, ob dein Modell nur ein Rategerät bleibt oder ein präziser Prognosemotor wird.

Modelltypen

Gängige Wahl: Poisson‑Verteilung. Tore pro Team folgen einem fast‑Poisson‑Muster, solange du Spieltempo und defensive Stabilität korrekt einbeziehst. Wenn du das Grundgerüst hast, kann ein Zero‑Inflated‑Poisson‑Modell die vielen 0‑Tore‑Spiele abfedern. Für Binär‑Ergebnisse (Sieg/Niederlage) greift ein logistisches Regressionsmodell, das mit Elo‑Ratings als Basisvariable kombiniert wird. Und ja, Machine‑Learning‑Algorithmen wie XGBoost können zusätzliche nicht‑lineare Effekte aufnehmen – wenn du genug Rechenleistung hast.

Feature Engineering

Hier ist das Ding: Features machen oder brechen dein Modell. Statt nur die Gesamtzahl der Schüsse zu nutzen, zerlege sie nach Zonen, nach Geschwindigkeit, nach Zeit auf dem Eis. Nutze Advanced‑Stats wie Corsi, Fenwick, Expected‑Goals (xG) – das sind deine Kristallkugeln. Und vergiss nicht die Kontext‑Variablen: Reisestrapazen, Tageszeit, Spielstand zu Spielbeginn. Ein kurzer Blick auf die letzten fünf Spiele kann das Momentum besser abbilden als die Saison‑Durchschnittswerte.

Validierung

Skaliere nicht sofort zum vollständigen Saison‑Forecast. Setz zuerst ein Back‑Testing‑Framework auf: Trainiere auf den ersten 70 % der Saison, teste auf den Rest, wiederhole das mit Roll‑Forward‑Cross‑Validation. Achte auf Brier‑Score und Log‑Loss, nicht nur auf Accuracy. Und wenn du das Modell auf Live‑Wetten anwendest, prüfe die Calibration – das ist die Differenz zwischen vorhergesagter Wahrscheinlichkeit und tatsächlich eingetretenen Ereignissen.

Handlungsanweisung

Fang heute noch mit einem minimalen Poisson‑Modell an, kalibriere es mit den letzten 30 Spielen, füge dann Schritt für Schritt Corsi‑ und xG‑Features hinzu. Das ist der schnellste Weg, um aus Daten ein handfestes Vorhersage‑Tool zu bauen.