Methodik

Alle Daten kommen von OpenLigaDB (api.openligadb.de), einer offenen, kostenlosen Schnittstelle ohne Zugangsschlüssel. Kein Scraping: Spiele, Ergebnisse und Tabellen werden als JSON geliefert.

Die abgeschlossenen Saisons werden einmal geholt und als Datei gespeichert – sie ändern sich nicht mehr. Nur die laufende Saison wird einmal täglich neu abgerufen. Besucher der Seite lösen keinen Abruf aus; sie sehen den gespeicherten Stand.

Hin- und Rückrundenpunkte sind nicht aus einer fertigen Statistik übernommen, sondern aus den Einzelspielen berechnet. Das DFB-Datencenter dient damit als Gegenprobe, nicht als Quelle.

Die Rekonstruktion wurde gegen die offizielle Tabelle jeder Saison geprüft (scripts/validate.ts). Dabei traten echte Lücken zutage:

• 2022/23: OpenLigaDB liefert nur 211 von 380 Partien und keine Abschlusstabelle. Saison vollständig ausgeschlossen.
• 2021/22: 6 Partien fehlen – auch in der offiziellen OpenLigaDB-Tabelle, lassen sich dort also nicht ausgleichen. Einzelne Teams haben ein bis zwei Punkte zu wenig.
• Für Endplatzierungen wird immer die offizielle Tabelle verwendet, nicht die eigene Rechnung: Über den Aufstieg entscheidet der Tabellenplatz, der muss stimmen. In Saison 2024/25 hätte die Rekonstruktion Hansa Rostock drei Punkte zu wenig gegeben.
• Verwendet werden 10 Saisons: 2015/16 bis 2025/26.

Für jede der 10 Saisons wird der Tabellenstand nach jedem Spieltag aus den Einzelspielen rekonstruiert. Dann lautet die Frage:

Alle Teams, die nach gleich vielen Spielen eine ähnliche Punktquote hatten wie der MSV Duisburg heute – wie viele davon sind am Ende aufgestiegen?

Gerechnet wird mit Punkten pro Spiel, nicht mit absoluten Punkten, damit Nachholspiele das Bild nicht verzerren. Zweite Mannschaften werden als Vergleichsfälle ausgeschlossen – sie können nicht aufsteigen.

Die Unsicherheit wird als Wilson-Intervall angegeben. Bei typischerweise 15 bis 40 Vergleichsfällen ist dieses Intervall breit, und das ist korrekt: Mehr Genauigkeit gibt die Datenlage nicht her. Ein starker Saisonstart ist selten, deshalb wird das Vergleichsfenster automatisch geweitet, bis genug Fälle zusammenkommen; die verwendete Breite steht auf der Startseite.

Grenze des Modells: Es kennt die Gegner dieser Saison nicht. Ob der Zweite drei oder fünfzehn Punkte zurückliegt, macht für Modell A keinen Unterschied.

Jedes Team erhält einen Angriffs- und einen Abwehrwert, dazu kommt ein ligaweiter Heimvorteil. Die erwarteten Tore einer Partie sind

λ_heim = exp(μ + angriff_heim − abwehr_gast + heimvorteil)
λ_gast = exp(μ + angriff_gast − abwehr_heim)

Die Werte werden per Maximum-Likelihood auf den tatsächlichen Ergebnissen geschätzt. Anschließend werden die 10.000 restlichen Saisonverläufe als Poisson-Ziehungen ausgewürfelt, die Tabelle fertiggerechnet und ausgezählt, wie oft welches Team wo landet.

Drei Dinge sind dabei entscheidend und waren im ersten Entwurf falsch:

• Unsicherheit der Schätzung. Die Stärken aus acht Spielen sind keine Wahrheit. Das Modell wird 40 Mal auf zufällig umgewichteten Daten neu geschätzt (Bayes-Bootstrap); jede Schätzung tritt in einem Teil der Simulationen an.
• Rückkehr zum Mittelwert. Ein Team, das acht Spiele stark war, ist in den folgenden dreißig näher am Ligadurchschnitt als seine Messwerte. Die gemessenen Stärken werden deshalb mit 0.3 multipliziert.
• Formdrift. Über dreißig Spieltage ändern sich Kader und Form. Jeder Durchlauf verschiebt die Stärken zusätzlich zufällig.

Ohne diese drei Korrekturen war das Modell massiv zu selbstsicher: Prognosen über 80 % traten im Backtest in keinem einzigen Fall ein.

• Platz 1 und 2 steigen direkt auf. Platz 3 spielt Relegation gegen den 16. der 2. Bundesliga.
• Zweite Mannschaften sind nicht aufstiegsberechtigt. Landet eine U23 in den Top 3, rückt der Aufstiegsplatz an das nächste berechtigte Team. Das ist kein Randfall: 2019/20 wurde Bayern München II Meister der 3. Liga.
• Die Relegation wird mit der historischen Quote gewichtet: Der Drittligist hat 12 von 17 Duellen seit 2008/09 gewonnen, also 71 %. Platz 3 ist damit deutlich mehr wert als ein Münzwurf. Die Stichprobe ist klein, das Intervall wird mitgeführt.
• Sortierkriterien: Punkte, Tordifferenz, erzielte Tore. Bleibt es gleich, entscheidet offiziell der direkte Vergleich – in der Simulation wird gewürfelt, damit kein Team systematisch bevorteilt wird.

Das Modell rechnet für jede der zehn Saisons so, wie es damals gerechnet hätte – nur mit den Spielen, die zu diesem Zeitpunkt bekannt waren, und mit der Zeitgewichtung auf den damaligen Stichtag gesetzt. Danach wird mit dem tatsächlichen Ausgang verglichen. Das sind 200 Team-Prognosen.

Gemessen wird nicht „lag der Favorit richtig“ – das ist bei zwei Aufstiegsplätzen und zwanzig Teams zu stark vom Zufall bestimmt. Gemessen wird der Brier-Skill: Um wie viel schlägt das Modell die blanke Grundrate, die jedem Team immer 10 % gibt? 0 % hieße: nutzlos.

Die Kalibrierung wurde in Gruppen geprüft: Prognosen um 20 % traten in etwa 25 % der Fälle ein, Prognosen unter 5 % in etwa 3 %. Das Modell ist damit nicht mehr systematisch überzeugt von sich selbst. Nachrechnen: npx tsx scripts/calibrate.ts.

Der lehrreichste Einzelfall: Am 8. Spieltag der Saison 2025/26 gab dasselbe Modell dem MSV Duisburg 55 % – aufgestiegen sind VfL Osnabrück und Energie Cottbus.

• Es kennt keine Kaderinformationen: keine Verletzten, keine Sperren, keine Transfers, keine Trainerwechsel. Solche Veränderungen gehen nur pauschal über die Formdrift ein.
• Es kennt keine Spielanteile jenseits von Toren – keine erwarteten Tore (xG), keine Chancenqualität. Ein Team, das viele Chancen vergibt, wird unterschätzt.
• Es modelliert keine Abhängigkeit zwischen Partien eines Spieltags und keine Effekte wie Belastung durch Pokalspiele.
• Die Kalibrierung ruht auf 200 Prognosen aus zehn Saisons. Das reicht, um grobe Fehlkalibrierung zu erkennen, aber nicht, um Parameter fein zu bestimmen.
• Punkt-Abzüge durch Lizenzauflagen oder Insolvenzen werden nicht vorweggenommen – sie erscheinen erst, wenn sie in der Tabelle stehen.

Alle Prüfungen laufen als Skripte im Projekt:

Zurück zur Prognose