So funktioniert unser MLB-Modell: Poisson-Runs und Pitcher-Anpassungen

Baseball ist eine Zählstatistik-Sportart, die sich als Sieg/Niederlage-Sportart tarnt. Jedes Spiel läuft auf zwei Zahlen hinaus — wie viele Runs das Heimteam erzielt, wie viele das Auswärtsteam erzielt —, und fast jeder Markt, den du wetten kannst (Moneyline, Run Line, Totals), ist eine Ableitung dieser beiden Zahlen. Deshalb versucht unser MLB-Modell nicht, direkt einen Sieger vorherzusagen. Es sagt Runs voraus und überlässt der Mathematik der Runs, dir zu sagen, wer gewinnt, mit wie viel Abstand, und ob das Gesamtergebnis über oder unter einer Linie landet.

Runs, nicht Siege: warum Poisson

Wir nutzen ein XGBoost-Poisson-Runs-Modell. Gradient Boosting (XGBoost) betrachtet alles, was wir über ein Matchup wissen, und gibt für jedes Team die erwartete Run-Zahl aus — eine einzelne Zahl namens Lambda (λ). Eine Poisson-Verteilung wandelt diese beiden Lambdas dann in eine vollständige Wahrscheinlichkeitsverteilung über jedes mögliche Spielergebnis um. Aus dieser Verteilung können wir fünf Märkte aus nur einem Zahlenpaar bepreisen: Moneyline (wer gewinnt), Run Line ±1,5 (wer mit 2+ Runs gewinnt), Totals Over/Under (Gesamt-Runs über oder unter einer Linie), First-5-Innings-Moneyline und First-5-Innings-Totals.

Die First-5-Innings-Märkte (F5) verdienen eine Anmerkung, denn sie sind nicht einfach die Hälfte der vollen Spielzahlen. Bullpens, Blowout-Garbage-Time und die Varianz von Extra-Innings blähen alle den hinteren Teil eines Spiels auf — die ersten fünf Innings ergeben zusammen im Schnitt rund 4,6 Runs, gegenüber etwa 8,5 für die vollen neun. Die F5-Erwartung wird deshalb mit etwa 0,54 der vollen Spiel-Gesamtsumme skaliert statt mit 0,5, damit die F5-Linie ehrlich bleibt statt systematisch zu niedrig zu sein.

Das Modell ist auf ~19.000 MLB-Spielen seit 2017 trainiert, aus der MLB Stats API, über 63 Features. Der In-Sample-Fehler (Mean Absolute Error) liegt bei etwa 2,36 Runs für das Heimteam und 2,42 für das Auswärtsteam — im Schnitt liegt unsere Run-Vorhersage also um rund zweieinhalb Runs daneben, was nach viel klingt, bis man sich erinnert, dass Baseball-Ergebnisse von Natur aus verrauscht sind. Auf einer echt zurückgehaltenen Saison 2025 steigt der Fehler auf 2,41 / 2,61 — schlechter als die In-Sample-Zahl, und wir sagen das offen, statt nur die schmeichelhaftere Zahl zu nennen. Ein Modell, das nur auf Daten gut aussieht, die es schon gesehen hat, ist kein Modell, dem du deine Bankroll anvertrauen solltest.

Der Pitcher ist die halbe Miete des Modells

Im Baseball kontrolliert ein einzelner Spieler — der Starting Pitcher — einen überproportionalen Anteil des Ergebnisses. Deshalb stehen Starting-Pitcher-Features (ERA, WHIP, Strikeout-Rate und mehr) im Zentrum des Modells. Aber es gibt eine Regel, die wir hier strikt durchsetzen: Jede Pitcher-Statistik muss taggenau sein. Die Zahlen eines Pitchers werden Saison-bis-dato berechnet, nur aus Spielen bis zum Tag des vorhergesagten Matchups — nie aus seiner finalen Saisonlinie, die am Spieltag natürlich noch gar nicht existierte.

Das klingt selbstverständlich, ist aber der leichteste Fehler, den man beim Bau eines Sportmodells machen kann — und wir haben ihn einmal gemacht. Eine frühere Version der Pitcher-Features hat versehentlich die volle Saison-ERA des Pitchers in April-Spiele durchsickern lassen — Monate, bevor diese ERA überhaupt existierte. Das Modell hat effektiv geschummelt: April-Spiele mit Juni-Informationen vorhergesagt.

• Vor dem Fix: Pitcher-ERA/WHIP/K-Rate wurden aus der finalen Saisonlinie berechnet und an jedes Spiel dieser Saison angehängt — auch an Spiele, die vor dieser Linie stattfanden.
• Nach dem Fix: Jede Pitcher-Statistik ist eine Saison-bis-dato-Momentaufnahme, strikt aus Einsätzen berechnet, die vor dem vorhergesagten Spiel stattfanden.
• Ergebnis: Das leckende ERA-Feature fiel aus dem #1-Wichtigkeits-Platz, Elo-artige Team-Stärke-Signale rückten an seine Stelle, und die Out-of-Sample-Genauigkeit wurde etwas schlechter — die ehrliche Zahl ersetzte die aufgeblähte.

Eine schlechtere, aber ehrliche Zahl schlägt jederzeit eine großartige, aber gefälschte — es ist die einzige Zahl, der man wirklich vertrauen kann, wenn echtes Geld im Spiel ist. Team-Schlagstatistiken folgen derselben Disziplin und stützen sich zu Saisonbeginn auf die Vorsaison als Prior, bevor genug Spiele der laufenden Saison zusammengekommen sind.

Umpires, Wetter, Stadien: die Anpassungsebene

Zusätzlich zu den Basis-Lambdas aus dem Runs-Modell legen wir mehrere situative Anpassungen darüber, die die erwarteten Runs für ein bestimmtes Spiel nach oben oder unten verschieben:

• Home-Plate-Umpire-Tendenzen — manche Umpires pfeifen eine spürbar größere Strike Zone als andere, was das Scoring dämpft; andere verengen die Zone und pushen es nach oben.
• Wetter — Windrichtung/-stärke und Temperatur bewegen Totals (Daten von OpenWeatherMap); ein kräftiger Wind, der bei Wrigley rausbläst, ist ein anderes Spiel als dasselbe Matchup in einer Kuppelhalle.
• Stadion-Faktoren — manche Parks sind schlicht leichter oder schwerer zu bespielen, unabhängig vom Wetter an einem bestimmten Tag.
• Bestätigte Starting Pitcher — Lineup-Bestätigungen vor dem Spiel verfeinern die Pitcher-Inputs, sobald sie offiziell sind.
• Playoff-Serien-Kontext — Spielnummer innerhalb der Serie, aktueller Serienstand, und ob ein Team ein Must-Win-Spiel bestreitet, tragen im Oktober zusätzliches situatives Signal.

Jede dieser Anpassungen stößt die Basis-Erwartung an, aber keine darf sich verselbstständigen. Die Gesamtanpassung ist auf ±35 % der Basis-Erwartung gedeckelt — selbst wenn sich mehrere Anpassungen in dieselbe Richtung stapeln (etwa ein Hitter-Park plus günstiger Wind plus ein laxer Umpire), kann die kombinierte Verschiebung nicht zu einer unrealistischen Zahl eskalieren. Es ist eine Leitplanke dagegen, dass sich das Modell selbst zu einer extremen Linie überredet.

Kalibrierung: eine 3-fache Überkonfidenz beheben

Ein Modell kann gut im Ranking von Spielen sein (Favoriten korrekt von Außenseitern trennen) und trotzdem schlecht kalibriert sein — das heißt, die tatsächlichen Wahrscheinlichkeitszahlen, die es ausgibt, sind in eine Richtung zu extrem. Genau das zeigte ein Audit des rohen MLB-Modells: Es rankte Spiele so gut oder besser als Pinnacles Schlusslinien, aber seine Wahrscheinlichkeiten waren rund 3-fach überkonfident (eine Kalibrierungssteigung von etwa 0,32–0,41, wobei 1,0 perfekt kalibriert wäre).

Überkonfidente Wahrscheinlichkeiten sind kein kosmetisches Problem — sie blähen direkt Expected-Value-Berechnungen auf und treiben, unkontrolliert, das Kelly-Staking dazu, weit größer zu wetten, als es sollte. Die Lösung ist eine marktweise Platt-Kalibrierungsebene: eine monotone logistische Korrektur, separat angewendet auf Moneyline-, Run-Line- und Totals-Wahrscheinlichkeiten. „Monoton“ ist das entscheidende Wort — sie skaliert die Konfidenz um, ohne je zu ändern, welche Seite das Modell bevorzugt, sodass die zugrunde liegende Ranking-Fähigkeit exakt erhalten bleibt, während die ausgegebenen Wahrscheinlichkeiten Richtung Realität zurückgezogen werden.

Auf zurückgehaltenen 2026er-Daten erreicht das kalibrierte Modell Parität mit dem scharfen Markt oder besser, über alle drei Kernmärkte: Moneyline Brier-Score 0,2472 (praktisch gleichauf mit Pinnacles 0,2473), Totals 0,2484 (besser als Pinnacles 0,2497), und Run Line 0,2423 (besser als Pinnacles 0,2436). Niedrigere Brier-Scores bedeuten genauere Wahrscheinlichkeiten. Den schärfsten Markt der Welt auf seiner eigenen Metrik zu erreichen oder zu schlagen, ist der Maßstab, an dem wir uns messen.

Von der Wahrscheinlichkeit zur Wette

Eine kalibrierte Wahrscheinlichkeit ist nicht automatisch eine Wette. Für Moneyline-, Run-Line- und F5-Märkte verlangen wir einen Pinnacle-Anker — sehen wir keinen de-viggten Pinnacle-Preis für genau diesen Markt, wetten wir ihn nicht, Punkt. Wir deckeln außerdem, wie weit unser Preis über Pinnacles implizierter Wahrscheinlichkeit liegen darf, als Plausibilitätscheck gegen veraltete oder fehlerhafte Quoten anderswo. Bei Totals wetten wir die Linie am nächsten zur erwarteten Gesamtsumme des Modells, nicht die Linie, die auf dem Papier den höchsten Expected Value liefert — die Jagd nach der höchsten EV-Linie treibt einen tendenziell zu extremen, dünn gehandelten Linien, wo die Kalibrierung am schwächsten ist.

Jede angezeigte Wette muss zusätzlich eine 5 %-Expected-Value-Untergrenze gegen den de-viggten Pinnacle-Preis überschreiten, und wir deckeln Quoten bei 3,50 — Außenseiter-Preise sind notorisch schwer gut zu kalibrieren, und die Auszahlung ist die zusätzliche Unsicherheit nicht wert. Einsätze folgen fraktionellem Kelly bei 25 %, gedeckelt auf 5 % der Bankroll pro einzelner Wette. Fraktionelles Kelly ist keine stilistische Wahl; es ist eine direkte Konsequenz aus allem oben Gesagten. Selbst ein gut kalibriertes Modell hat Restfehler, und fast volles Kelly auf unperfekten Wahrscheinlichkeiten einzusetzen, ist ein schneller Weg, eine Bankroll in einem schlechten Monat zu sprengen.

• Pinnacle-Anker Pflicht — kein de-viggter Pinnacle-Preis auf diesem Markt, keine Wette, für Moneyline / Run Line / F5.
• Ratio-Plausibilitätscheck — unser Preis darf nicht zu weit über Pinnacles implizierter Wahrscheinlichkeit liegen, als Schutz gegen veraltete Quoten anderswo.
• Nächstliegende Totals-Linie — die Totals-Wette ist die Linie am nächsten zur eigenen erwarteten Gesamtsumme des Modells, nicht die Linie mit dem höchsten EV.
• 5 % EV-Untergrenze, 3,50 Quoten-Deckel — die minimal geforderte Kante, und der Punkt, ab dem die Außenseiter-Kalibrierung unzuverlässig wird.
• 25 % fraktionelles Kelly, 5 % Bankroll-Deckel — bemessen am tatsächlichen Restfehler des Modells, nicht an seiner ausgegebenen Konfidenz.

Woher wir wissen, dass es funktioniert

Wir bewerten uns nicht allein an Ergebnissen, denn eine einzelne Saison ist kurz genug, dass Varianz das Können überdecken kann. Verschiedene Märkte werden an verschiedenen Metriken gemessen, passend zur Doktrin, die wir über jede Sportart hinweg anwenden, die wir modellieren. Moneyline-Performance wird primär am Closing Line Value gemessen — haben wir konsistent einen besseren Preis bekommen, als der Markt beim Anpfiff geschlossen hat, das zuverlässigste langfristige Signal im Wetten. Totals und Run Line werden an realisiertem ROI plus Kalibrierung gemessen, denn bei Handicap-artigen Märkten kann positiver CLV allein trügen — du kannst die Schlusslinie schlagen und trotzdem Geld verlieren, wenn das Modell systematisch bei der tatsächlichen Ergebnisverteilung danebenliegt.

Eine 162-Spiele-MLB-Saison pro Team gibt uns eine große Menge an Daten zum Lernen — aber sie bedeutet auch eine große Menge an Spiel-zu-Spiel-Varianz, die es durchzustehen gilt. Wir versprechen dir keinen profitablen Monat, keine profitable Woche, nicht einmal, dass eine einzelne Wette in den Augen des Marktes, der die Gegenseite nimmt, wahrscheinlicher gewinnt als verliert. Was wir versprechen können, ist ein Modell, gebaut auf ehrlichen, taggenauen Inputs, kalibriert gegen die schärfste Linie im Sport, und so bestaked, dass es eine Verlustserie übersteht, statt von ihr ausgelöscht zu werden.

Wenn du mehr Tiefe zum Kalibrierungs-Release selbst willst: Der Beitrag zum Baseball-Modell-v2-Upgrade behandelt es im Detail, und unser Totals-Erklärartikel deckt die Over/Under-Mechanik ab, die hier genauso gilt wie überall sonst. Jeden aktuellen MLB-Preis siehst du auf unserer Modell-Seite, und jedes abgerechnete Ergebnis — Gewinne, Verluste, CLV, kein Rosinenpicken — im öffentlichen Track Record.