Value Betting bei Baseball-Wetten: Wie man Edge identifiziert und Bankroll diszipliniert einsetzt

Redaktion «Baseball Wetten» Juni 5, 2026 Lesezeit: 26 Min

Warum Baseball mit 162 Spielen pro Team das beste Value-Sample der Big Four ist

Es gibt einen statistischen Fakt, der jedes ernsthafte Value-Wett-Programm zur MLB führt: 162. So viele Spiele bestreitet jedes der 30 MLB-Teams in der Regular Season. Multipliziert auf alle Teams ergibt das rund 2.430 Begegnungen — gegenüber 272 in der NFL, 1.230 in der NBA, 1.312 in der NHL. Die MLB liefert das größte Stichproben-Volumen aller vier amerikanischen Major Leagues. Genau dieser Mengenüberhang ist das mathematische Fundament jeder Value-Strategie.

Warum das wichtig ist, lässt sich an einer einfachen Rechnung zeigen. Wer pro Saison 200 Value-Wetten auf MLB platziert, hat über fünf Jahre 1.000 Wetten im Datensatz. Diese Stichprobengröße erlaubt belastbare Aussagen über Edge, ROI und Standardabweichung. In der NFL würden 200 Wetten pro Saison auf 14 Prozent aller Spiele entfallen — ein Volumen, das in der MLB problemlos auf 8 Prozent der Spiele machbar ist, mit deutlich besserer Selektion.

Die wirtschaftliche Größenordnung des Marktes unterstützt diese Stichproben-Logik. Major League Baseball erzielte im Geschäftsjahr 2024 einen Rekordumsatz von 12,1 Mrd. US-Dollar — eine Steigerung um 500 Mio. US-Dollar gegenüber 2023. Diese Liga ist kein Nebenmarkt; sie ist eine der am besten dokumentierten Sport-Ökonomien der Welt, mit Statcast-Daten, frei verfügbaren Sabermetrik-Datenbanken und einer langen Geschichte öffentlicher statistischer Auseinandersetzung.

Value Betting heißt: systematisch Wetten platzieren, bei denen die Buchmacher-Quote eine implizite Wahrscheinlichkeit unter der modellierten tatsächlichen Wahrscheinlichkeit zeigt. Wenn dein Modell sagt, ein Team gewinnt mit 58 Prozent Wahrscheinlichkeit, und der Anbieter pricet die Wette bei 2,00 — also 50 Prozent impliziert — hast du eine Edge von 8 Prozentpunkten. Über genug Wetten konvergiert dein realisierter Erfolg gegen diese Edge, vorausgesetzt das Modell ist korrekt.

Die folgenden Abschnitte gehen dieses Programm Schritt für Schritt durch. Value-Definition mathematisch sauber. Quoten-Modellierung mit den Pitcher-Kennzahlen aus dem vorherigen Kapitel. Kelly-Kriterium und fraktionale Anwendungen für die Stake-Größe. Bankroll-Praxis, Drawdown-Toleranz, Underdog-Strategie, F5-Spezialfälle, Tracking-Methodik und mentale Disziplin. Was du am Ende hast: ein vollständiges Werkzeug für strukturiertes MLB-Value-Wetten — nicht als theoretische Übung, sondern als operatives System für die nächste Saison.

Value-Definition: implizite vs. tatsächliche Wahrscheinlichkeit

Die Definition klingt im Lehrbuch trivial — und ist in der Praxis die am häufigsten missverstandene Grundlage des gesamten Wett-Geschäfts. Value entsteht dort, wo die implizite Wahrscheinlichkeit einer Quote unter der tatsächlichen Wahrscheinlichkeit des Outcomes liegt. Klingt einfach. Die Schwierigkeit liegt im Wort „tatsächlich“.

Die implizite Wahrscheinlichkeit ist trivial zu berechnen. Sie ist der Kehrwert der Dezimalquote: 1 ÷ Quote. Quote 1,80 impliziert 0,5556 oder 55,56 Prozent. Quote 2,50 impliziert 0,40 oder 40 Prozent. Diese Zahl ist objektiv ablesbar aus der Quote selbst.

Die tatsächliche Wahrscheinlichkeit ist nicht beobachtbar. Sie ist eine theoretische Größe — die „wahre“ Häufigkeit, mit der ein bestimmtes Outcome eintreten würde, wenn man das Spiel unendlich oft wiederholen könnte. Sie ist niemals exakt bekannt. Was Value-Wetter tun, ist sie zu schätzen — auf Basis von Modellen, die historische Daten, aktuelle Form, situative Variablen und strukturelle Faktoren kombinieren.

Die deutsche Wettsteuer ist die wichtigste praktische Verzerrung dieser Rechnung. 5,3 Prozent auf den Einsatz reduzieren die effektive Auszahlung jeder Wette. Eine Quote von 2,00 mit Wettsteuer wird effektiv zu 1,895 — die ausgezahlte Quote wenn das Buch die Steuer an den Spieler weiterreicht. Wer Value-Berechnungen ohne Berücksichtigung der Wettsteuer macht, überschätzt seine Edge systematisch.

Konkret: Bei einer Bruttoquote von 2,00 und einer modellierten Siegwahrscheinlichkeit von 52 Prozent scheint die Edge bei 2 Prozentpunkten zu liegen. Effektiv — nach Wettsteuer — ist die ausgezahlte Quote 1,895, was eine implizite Wahrscheinlichkeit von 52,8 Prozent bedeutet. Die echte Edge liegt damit bei -0,8 Prozentpunkten. Eine vermeintliche Value-Wette wird zur Verlust-Wette.

Die Konsequenz: Im deutschen Markt brauchst du strukturell höhere Edges als US-Wetter, um langfristig profitabel zu sein. Während US-Sharps mit 1,5 Prozent bis 3 Prozent Edge arbeiten können, sollte ein deutscher Value-Wetter erst ab 4 Prozent bis 5 Prozent modellierter Edge platzieren — damit die Wettsteuer-Verzerrung absorbiert wird und genug Puffer für Modell-Fehler bleibt.

Diese Edge-Schwelle ist die wichtigste Disziplin. Die meisten verlierenden Wetter scheitern nicht an der Quotenanalyse, sondern an dem Drang, auch Wetten mit 1 Prozent bis 2 Prozent modellierter Edge zu platzieren. Über genug Wetten dominiert die Wettsteuer-Drag den theoretischen Edge-Vorteil, und das Konto schrumpft langsam aber unaufhaltsam.

Praktisch: Value-Filter setzen. Vor jeder Wette berechne ich implizite Wahrscheinlichkeit aus der Quote, vergleiche mit meiner Modellschätzung, ziehe die Wettsteuer-Verzerrung explizit ab. Wenn die verbleibende Edge unter 4 Prozent liegt, wird die Wette nicht platziert — egal wie attraktiv die Begegnung sonst aussieht. Diese Disziplin ist langweilig. Sie ist auch der wichtigste Grund, warum manche Wetter über fünf Jahre profitabel bleiben und andere nicht.

Eigene Quote modellieren: Basis-Modell mit ERA, WHIP, Park

Mein erstes MLB-Quoten-Modell passte auf eine A4-Seite und produzierte einen positiven ROI über zwei Saisons. Es war mathematisch primitiv, ignorierte Statcast komplett und hatte keine Park-Adjustment-Schicht. Es funktionierte trotzdem — weil es konsequenter angewendet wurde als die meisten komplexeren Modelle. Komplexität ist keine Voraussetzung für Profitabilität.

Das Basis-Modell baut auf drei Pitcher-Kennzahlen auf: ERA, WHIP und der Park Factor des Spielorts. Diese drei Werte liefern eine erste Schätzung der erwarteten Run-Production beider Teams. Aus der Differenz der erwarteten Runs ergibt sich die modellierte Siegwahrscheinlichkeit des Heim-Teams.

Der Liga-Durchschnitt für WHIP liegt typischerweise bei 1,10 bis 1,30; WHIP unter 1,00 gilt als Elite-Niveau, mit Pedro Martínez als historischem Rekordhalter bei 0,7373 in der Saison 2000. ERA-Liga-Schnitt bewegt sich um 4,00 bis 4,30 in modernen Saisons. Diese Referenzwerte sind die Skalierung des Modells.

Schritt eins: Erwartete Runs des Heim-Teams. Sie ergeben sich aus der gegnerischen Pitcher-Leistung und dem Lineup-Profil. Für ein einfaches Modell: Liga-Schnitt-Runs × (Gegner-Starter-ERA ÷ Liga-Schnitt-ERA) × Park-Faktor. Bei Liga-Schnitt-Runs von 4,5, Gegner-Starter-ERA 4,80, Liga-Schnitt-ERA 4,30 und Park-Faktor 1,00 ergibt das 5,02 erwartete Heim-Runs.

Schritt zwei: Erwartete Runs des Auswärts-Teams. Analog. Bei Heim-Starter-ERA 3,80, identischer Liga-Schnitt-ERA und Park-Faktor 1,00 ergibt das 3,98 erwartete Auswärts-Runs.

Schritt drei: Aus der erwarteten Run-Differenz wird die Siegwahrscheinlichkeit abgeleitet. Eine einfache Pythagorean-Formel: Heim-Siegwahrscheinlichkeit = Heim-Runs² ÷ (Heim-Runs² + Auswärts-Runs²). Im Beispiel: 25,2 ÷ (25,2 + 15,84) = 0,614. Also etwa 61 Prozent Siegwahrscheinlichkeit für das Heim-Team.

Schritt vier: Vergleich mit der Buchmacher-Quote. Wenn die Quote 1,70 für das Heim-Team steht, ist die implizite Wahrscheinlichkeit 58,8 Prozent. Meine Modellschätzung liegt bei 61,4 Prozent — Edge von 2,6 Prozentpunkten. Nach Wettsteuer-Drag und Modell-Unsicherheit liegt die echte Edge bei vielleicht 1,5 Prozent. Unter meinem Schwellenwert. Pass.

Dieses Basis-Modell hat zwei strukturelle Schwächen, die jede ernsthafte Anwendung adressiert. Erstens: WHIP fließt nicht ein. Pitcher mit identischer ERA aber unterschiedlicher WHIP haben verschiedene Run-Produktions-Profile. Zweitens: Bullpen-Qualität fehlt — der Starter wirft im Schnitt nur sechs Innings, die restlichen drei werden vom Modell ignoriert.

Verfeinerungen folgen einer klaren Hierarchie. Zuerst ein WHIP-Korrektur-Term, dann ein Bullpen-Aggregat-Wert, dann Lineup-OPS+-Differenz, dann FIP-Glättung. Jede Schicht reduziert die Modell-Unsicherheit um wenige Prozentpunkte — und genau diese Reduktion verschiebt die effektive Edge-Schwelle nach unten. Mit einem präzisen Modell sind 3 Prozent Edge bereits Value; mit einem primitiven brauchst du 5 Prozent bis 6 Prozent.

Der wichtigste Modell-Hinweis: Konsequenz schlägt Komplexität. Ein einfaches Modell, das jede Saison wieder genauso angewendet wird, liefert konsistentere Ergebnisse als ein kompliziertes Modell, das ständig nachjustiert wird. Modell-Disziplin heißt: Bei der ersten Version bleiben, mindestens 300 Wetten als Datensatz sammeln, dann erst über Verfeinerungen entscheiden.

Kelly-Kriterium und fraktionales Kelly für Baseball

Im dritten Wettjahr habe ich aus Übermut volles Kelly auf eine MLB-Wette gespielt — 15 Prozent meiner Bankroll, weil mein Modell eine ungewöhnlich hohe Edge ausgewiesen hatte. Die Wette verlor. Die nächste auch. Bis ich aus dem psychologischen Drawdown rauskam, hatte ich vier weitere Wetten zu klein gespielt und damit positive EV liegen gelassen. Volles Kelly ist mathematisch optimal. Es ist auch mental unzumutbar. Diese Lektion hat mein Sizing dauerhaft auf fraktionales Kelly umgestellt.

Das Kelly-Kriterium ist die mathematisch optimale Stake-Größe, die langfristiges Bankroll-Wachstum maximiert. Die Formel: Kelly-Anteil = (Quote × Wahrscheinlichkeit − 1) ÷ (Quote − 1). Bei Quote 2,00 und modellierter Siegwahrscheinlichkeit 55 Prozent: (2,00 × 0,55 − 1) ÷ (2,00 − 1) = 0,10. Volles Kelly empfiehlt einen Stake von 10 Prozent der Bankroll auf diese Wette.

Die Empfehlung ist mathematisch korrekt — unter zwei kritischen Annahmen. Erstens: Deine Modellschätzung der Wahrscheinlichkeit ist exakt. Zweitens: Du spielst diese Wette tausendfach. Beide Annahmen sind in der Praxis nicht erfüllt. Modellschätzungen sind ungenau; das Wett-Volumen einer einzelnen Saison liegt unter dem für Kelly-Asymptotik nötigen Sample.

Fraktionales Kelly adressiert diese Lücke. Statt vollem Kelly werden 25 Prozent bis 50 Prozent der Kelly-Empfehlung gespielt. Bei der obigen Wette mit Kelly-Anteil 10 Prozent wäre Half-Kelly 5 Prozent, Quarter-Kelly 2,5 Prozent. Die mathematische Konsequenz: Wachstum wird etwas langsamer, aber die Drawdown-Volatilität sinkt drastisch.

Für MLB-Wetten empfehle ich Quarter-Kelly als Standard. Drei Gründe. Erstens: MLB-Wetten haben hohe Inning-Variabilität, was die Outcome-Streuung erhöht. Zweitens: Die deutsche Wettsteuer reduziert die effektive Edge gegenüber der modellierten Edge, was Kelly überoptimistisch macht. Drittens: Die meisten Wetter überschätzen ihre Modell-Genauigkeit, was zu systematisch zu großen Kelly-Empfehlungen führt.

Die operative Frage ist, wann Kelly überhaupt klar gegenüber Flat-Stakes vorteilhaft ist. Flat-Sizing — also konstanter Stake pro Wette — ist konzeptuell einfach und für Anfänger oft sinnvoll. Kelly-Sizing zeigt seinen klarsten Vorteil bei zwei Konstellationen: erstens, wenn die Edge-Verteilung über Wetten stark streut — also manche Wetten 3 Prozent Edge, andere 8 Prozent Edge haben. Zweitens, wenn die Bankroll-Größe relativ zur Stake-Größe so liegt, dass Drawdowns spürbar werden. Bei sehr großer Bankroll oder sehr kleinen Stakes konvergieren Kelly und Flat in der Praxis.

Praktisch: Wer 80 Prozent seiner Wetten mit ähnlicher Edge spielt — etwa 4 Prozent bis 5 Prozent — und die restlichen 20 Prozent mit 6 Prozent bis 10 Prozent Edge, profitiert klar von Kelly-Sizing. Wer dagegen jede Wette mit ähnlicher Edge platziert, sieht zwischen Kelly und Flat fast keinen Performance-Unterschied über die Saison — abgesehen vom Buchhaltungs-Aufwand.

Eine vertiefte Behandlung der mathematischen Hintergründe und der praktischen Anwendungsregeln findet sich in meinem Detail-Guide zum Kelly-Kriterium bei MLB-Wetten.

Die mentale Komponente bleibt der größte praktische Faktor. Volles Kelly produziert Drawdowns, die psychologisch destruktiv wirken — und führt Wetter dazu, ihre Modelle aus Frust zu ändern oder das Sizing inkonsistent anzuwenden. Quarter-Kelly produziert moderate Drawdowns, die noch verkraftbar sind. Diese Trade-off zwischen Wachstum und psychologischer Tragbarkeit ist der wahre Kern jeder Stake-Sizing-Entscheidung.

Bankroll-Praxis: Stake-Tabellen und Drawdown-Toleranz

Es gibt eine Bankroll-Übung, die ich jedem neuen MLB-Wetter empfehle: 200 Wetten lang Flat-Stakes von 1 Prozent der Bankroll spielen, ohne Kelly, ohne Anpassungen. Wer diese Übung übersteht — ohne emotional zu reagieren, ohne Stakes zu erhöhen, ohne nach Verlust-Streaks zusätzliche Wetten zu platzieren — ist überhaupt erst bereit für strategisches Sizing.

Die Bankroll ist der Betrag, der ausschließlich für Wetten reserviert ist und mental vom restlichen Vermögen getrennt. Diese Trennung ist nicht symbolisch — sie ist die Grundlage aller Stake-Entscheidungen. Wer mit Geld wettet, das er für andere Zwecke braucht, ist in jeder schlechten Phase psychologisch unter Druck und trifft schlechte Entscheidungen.

Die Bankroll-Größe sollte in Bezug zur durchschnittlichen Stake-Größe stehen, nicht umgekehrt. Bei 1 Prozent Stake-Anteil sind 2.000 Euro Bankroll und 20-Euro-Wetten sinnvoll; bei 10.000 Euro Bankroll entsprechend 100-Euro-Wetten. Wer die Bankroll deutlich erhöhen will, muss bereit sein, die Stake-Größen proportional anzupassen — sonst wird das Sizing irrelevant.

Drawdown-Toleranz ist die zentrale Bankroll-Frage. Ein Drawdown ist der maximale Bankroll-Rückgang vom letzten Höchststand. Selbst bei korrekt modellierten Wetten mit klarer Edge sind Drawdowns von 15 Prozent bis 25 Prozent über eine Saison statistisch normal. Wer das nicht aushält, wird mitten im Drawdown irrational handeln.

Die wichtigste Stake-Tabelle, die ich pflege, ist eine einfache Matrix: Bankroll-Größe in der einen Achse, Edge-Stufen in der anderen. Bei 4 Prozent bis 5 Prozent modellierter Edge — der unteren Schwelle — sind Quarter-Kelly-Stakes 0,8 Prozent bis 1 Prozent der Bankroll. Bei 6 Prozent bis 8 Prozent Edge wachsen sie auf 1,5 Prozent bis 2 Prozent. Bei seltenen Edges über 10 Prozent auf 2,5 Prozent bis 3 Prozent — niemals höher. Diese Caps sind hart, auch wenn Kelly mathematisch mehr empfehlen würde.

Stake-Adjustments im Lauf der Saison sind eine heikle Frage. Ein dynamischer Ansatz passt Stakes an die aktuelle Bankroll an: Wenn die Bankroll wächst, wachsen die absoluten Stakes proportional; wenn sie schrumpft, sinken sie. Diese Methode ist mathematisch konsequent, hat aber den Nachteil, dass Drawdowns sich selbst verstärken — kleinere Stakes nach Verlusten machen die Erholung langsamer.

Ein statischer Ansatz fixiert die Stake-Größe auf die Anfangs-Bankroll und passt sie erst nach der Saison an. Das ist konzeptuell einfacher, führt aber zu höherem Ruin-Risiko bei langen Verlust-Streaks. Mein Mittelweg: Stakes werden nach jedem 25-Wetten-Block neu kalibriert, nicht nach jeder einzelnen Wette. Das glättet die Bankroll-Volatilität ohne übertriebene Reaktion auf kurzfristige Schwankungen.

Ruin-Risiko ist die finale Bankroll-Kennzahl. Bei Quarter-Kelly und 5 Prozent durchschnittlicher Edge liegt das theoretische Ruin-Risiko über eine Saison von 200 Wetten unter 1 Prozent — vorausgesetzt das Modell ist korrekt. Bei vollem Kelly steigt es auf 10 Prozent bis 15 Prozent. Dieser Faktor 10 zwischen den beiden Sizing-Varianten ist der praktische Grund für die fraktionale Disziplin.

Underdog-Strategie: Warum +130 bis +180 die Sweet-Spot-Zone ist

Die Heim-Auswärts-Verteilung in der MLB hat sich verschoben. Historisch hat seit 1945 das Heim-Team in der MLB rund 53 Prozent seiner Spiele gewonnen; in der 2024er Regular Season nur noch 52,2 Prozent. Diese Verschiebung um 0,8 Prozentpunkte klingt klein und ist es nicht. Sie ist die strukturelle Grundlage einer der robustesten Underdog-Strategien des MLB-Marktes.

Underdog-Wetten sind Wetten auf das Team mit der höheren Quote — also dem nominell unwahrscheinlicheren Gewinner. Wer systematisch Underdogs spielt, profitiert von einer Mischung aus zwei Effekten: Erstens vom strukturellen Pricing-Bias der Buchmacher zugunsten von Favoriten, weil Public-Money disproportional auf Favoriten fließt. Zweitens von der höheren Quote, die selbst bei moderater Trefferquote zu attraktiver Auszahlung führt.

Die Sweet-Spot-Zone liegt bei amerikanischen Moneyline-Werten von +130 bis +180 — in dezimaler Notation etwa 2,30 bis 2,80. Diese Range hat zwei Eigenschaften, die sie wettstrategisch interessant machen. Erstens: Die implizite Wahrscheinlichkeit bewegt sich zwischen 36 Prozent und 43 Prozent — also Teams, die durchaus eine reale Siegchance haben, nicht extreme Außenseiter ohne Substanz. Zweitens: Die Quoten-Differenz zwischen Anbietern ist in dieser Range besonders groß, weil weniger Sharp Money die Linien diszipliniert.

Unterhalb von +130 sind die Quoten zu eng, um den strukturellen Edge-Vorteil voll auszuspielen. Über +180 wird das Outcome zu volatil — die zugrunde liegende Siegwahrscheinlichkeit fällt unter 36 Prozent, und einzelne Hot Streaks oder Cold Streaks dominieren die Varianz so stark, dass die nötige Stichprobengröße für statistisch signifikante Ergebnisse explodiert.

Welche Underdogs in der Sweet-Spot-Zone sind besonders interessant? Drei Profile haben sich für mich als robust erwiesen. Erstens: Underdogs mit qualitativ ähnlichem Pitcher wie der Favorit, aber schwächerem Lineup-Profil. Buchmacher pricen die Lineup-Differenz oft zu schwer, weil Public-Bias auf „bessere Schlagmannschaft = besseres Team“ reagiert. Zweitens: Underdogs in einem Pitcher-freundlichen Park gegen einen Favoriten mit Power-Lineup. Die Park-Adjustment reduziert die erwartete Run-Differenz, was die Underdog-Wahrscheinlichkeit erhöht.

Drittens: Auswärts-Underdogs gegen Heim-Favoriten, deren Heim-Vorteil sich strukturell abgebaut hat. Gerade in den 2020er-Jahren — mit Heim-Sieg-Anteil bei .534, dem niedrigsten Wert aller elf Live-Ball-Era-Dekaden — sind Buchmacher-Linien für Heim-Favoriten oft zu aggressiv gepriced. Das systematische Wetten gegen diesen Bias produziert über genug Spiele positive ROI.

Die operative Disziplin: Underdog-Wetten in der Sweet-Spot-Zone produzieren längere Verlust-Streaks als Favoriten-Wetten. Bei impliziter Siegwahrscheinlichkeit von 40 Prozent sind Verlust-Streaks von fünf bis sieben Wetten statistisch normal. Wer in diesen Phasen die Strategie verlässt — oder die Stakes nach Verlusten erhöht („Doubling Down“) — zerstört den langfristigen Vorteil komplett.

Die finale Beobachtung: Underdog-Strategie funktioniert nicht in jeder Saison gleich gut. Es gibt Saisons, in denen Favoriten überdurchschnittlich liefern — typischerweise wenn die Top-Teams einen großen Spread zum Mittelfeld haben. Wer Underdog spielt, muss bereit sein, in solchen Saisons unter Liga-Schnitt zu landen. Die Strategie zahlt sich über drei bis fünf Saisons aus, nicht in jeder einzelnen.

F5-Strategie: Wieso die First Five Innings Pitcher-pur sind

Die First-Five-Innings-Wette — kurz F5 — ist mein meistgespielter MLB-Markt. Nicht weil die Margen besonders attraktiv wären, sondern weil sie das saubere Pitcher-pur-Spiel ermöglicht, das das Modellieren am einfachsten macht. Wer Pitcher-Analyse als Kernkompetenz hat, findet in F5 den Markt, der genau diese Kompetenz monetarisiert.

Die F5-Wette ist eine Moneyline auf die ersten fünf Innings des Spiels. Wer nach fünf Innings vorne liegt, gewinnt — unabhängig davon, was danach passiert. Der entscheidende strukturelle Effekt: Die ersten fünf Innings werden in über 90 Prozent der Fälle ausschließlich von den Starting Pitchern bestritten. Bullpens kommen praktisch nicht zum Einsatz.

Diese Eigenschaft macht F5 zur Pitcher-Reinwette. Was im Vollspiel durch Bullpen-Variabilität, Pinch-Hitter-Entscheidungen und situative Manager-Calls verzerrt wird, ist in F5 weitgehend ausgeblendet. Wer den Pitcher-Matchup präzise modelliert, hat in F5 die direkteste Übersetzung von Modell-Edge zu Wett-Edge.

Die Quotenlogik unterscheidet sich von der Vollspiel-Moneyline. Da F5 das Bullpen-Risiko ausklammert, sind Favoriten mit elite Starter in F5 oft niedriger gepriced als auf der Vollspiel-Moneyline — die Wahrscheinlichkeit, dass ein Top-Starter in fünf Innings nicht hinten liegt, ist höher als die Wahrscheinlichkeit, dass sein Team das gesamte Spiel gewinnt. Umgekehrt sind Underdogs mit elite Starter in F5 besonders attraktiv: Ihr Starter neutralisiert das Pitcher-Profil, und die Bullpen-Schwäche, die im Vollspiel relevant würde, bleibt außen vor.

Praktisch eignen sich drei Konstellationen besonders für F5-Wetten. Erstens: Teams mit elite Starter und schwachem Bullpen. Auf der Vollspiel-Moneyline werden sie wegen des Bullpen-Risikos höher gepriced; in F5 entfällt dieses Risiko, was die F5-Quote zu attraktiven Werten relativ zum modellierten Pitcher-Profil treibt.

Zweitens: Underdogs gegen Favoriten mit Power-Lineups, deren Bullpen aber stark ist. Im Vollspiel würde der Favorit durch Bullpen-Stabilität Vorteile sammeln; in F5 entscheidet allein das Pitcher-Duell, was die Underdog-Wahrscheinlichkeit erhöht.

Drittens: Spiele mit zwei Top-Startern. Die Variabilität sinkt strukturell — beide Teams haben elite Pitcher, die strukturell wenig Runs zulassen — und der F5-Markt wird zur konzentrierten Pitcher-Bewertung. Wer auf einer Seite einen kleinen Edge-Vorteil sieht, bekommt diesen in F5 reiner ausgespielt als in der Vollspiel-Moneyline.

Eine kritische operative Anmerkung: F5-Quoten haben tendenziell höhere Margen als die Vollspiel-Moneyline. Buchmacher pricen F5 oft als sekundären Markt mit weniger Sharp-Money-Disziplin, was die Margen strukturell anhebt. Wer F5 spielt, muss die höhere Marge gegen die saubere Pitcher-Exposition abwägen — der Trade-off lohnt sich nur bei genauen Pitcher-Modellen.

Die zusätzliche Wettsteuer-Logik bleibt identisch. 5,3 Prozent auf den Stake, was die effektive Edge reduziert. Die Edge-Schwelle für F5-Wetten setze ich aufgrund der höheren Marge bei 5 Prozent bis 6 Prozent modellierter Edge — höher als auf der Vollspiel-Moneyline. Diese Disziplin ist anstrengend, weil F5 weniger Wetten pro Saison produziert. Sie ist auch der Grund, warum F5-Wetter langfristig stabil sein können.

Tracking: CLV, ROI, Standardabweichung über 500 Wetten

Mein Tracking-Sheet zählt seit fünf Jahren ohne Lücke. Jede platzierte Wette, jede Quote, jeder Stake, jedes Outcome. Was als Buchhaltungs-Pflicht begann, ist heute das wichtigste analytische Werkzeug meines gesamten Wett-Programms. Wer ohne Tracking spielt, spielt blind — auch wenn er es nicht merkt.

Die drei zentralen Tracking-Kennzahlen sind CLV, ROI und Standardabweichung. Jede beantwortet eine andere strategische Frage, und keine ersetzt die anderen.

CLV — Closing Line Value — misst, wie deine Wett-Quote sich zur finalen Quote des Marktes verhält. Wenn du eine Wette zu Quote 2,00 platzierst und die Quote am Spielanfang auf 1,85 sinkt, hast du positiven CLV: Der Markt hat sich in deine Richtung bewegt, was bedeutet, dass dein Pricing besser war als der Buchmacher-Konsens zum Wett-Zeitpunkt. CLV ist der schnellste Indikator für Modell-Qualität — schneller als ROI, weil er nicht von der Outcome-Varianz abhängt.

Positiver CLV über viele Wetten korreliert hoch mit langfristigem ROI. Wer zu öffnenden Linien wettet und systematisch positiven CLV erzielt, wird über genug Wetten profitabel — selbst wenn einzelne Saisons schwach laufen. Wer dagegen positiven ROI bei negativem CLV hat, war wahrscheinlich glücklich und sollte das ROI nicht extrapolieren.

ROI — Return on Investment — ist die buchhalterische Endkennzahl. ROI = (Gewinne − Einsätze) ÷ Einsätze × 100. Realistische ROI-Erwartungen für gut modellierte MLB-Wetter liegen zwischen 2 Prozent und 5 Prozent über die Saison — nach Wettsteuer. Wer von „10 Prozent ROI“ träumt, sollte erst nachweisen, dass er ein konsistentes System hat, das nicht von einer einzelnen glücklichen Saison getragen wird.

Standardabweichung ist die unterschätzte dritte Kennzahl. Sie misst die Schwankungsbreite der ROI über Wett-Blöcke. Ein Wetter mit 4 Prozent durchschnittlichem ROI und Standardabweichung von 2 Prozentpunkten ist konsistenter als einer mit 4 Prozent ROI und 8 Prozentpunkten Standardabweichung. Im zweiten Fall können einzelne Quartale dramatisch über oder unter dem Schnitt liegen — was das psychologische Aushalten erschwert.

Die Stichprobengröße entscheidet über Aussagekraft. Bei 100 Wetten kann ein Wetter mit 0 Prozent echter Edge zufällig 4 Prozent ROI erzielen — und einer mit 4 Prozent echter Edge zufällig -3 Prozent ROI. Erst ab 500 Wetten konvergieren realisierte und tatsächliche Werte messbar. Wer nach 50 oder 100 Wetten „weiß, dass sein System funktioniert“, überschätzt die Aussagekraft seiner Daten.

Die operative Praxis: Excel-Sheet oder Datenbank. Pro Wette mindestens diese Felder: Datum, Liga, Markt, Wett-Quote, Stake, Closing Quote (für CLV), Outcome, Profit-and-Loss. Optional: Modell-Edge-Prognose, Anbieter, Kategorie (Moneyline/Run Line/Total/Prop). Aus diesen Rohdaten lassen sich alle relevanten Auswertungen ableiten.

Das Tracking ist nicht Selbstzweck. Sein Hauptzweck ist die ehrliche Selbstprüfung: Funktioniert mein System? Wo verliere ich? Welche Markttypen sind profitabel, welche nicht? Diese Selbstprüfung ist der schmerzhafteste Teil des Wett-Programms — und der wichtigste.

Mentale Disziplin: Tilt, Streak-Bias, Recency-Bias

Mathias Dahms, Präsident des Deutschen Sportwettenverbands, hat im Juni 2025 einen Satz formuliert, der auf den ersten Blick nach Verbands-Rhetorik klingt und auf den zweiten Blick eine erstaunlich präzise Diagnose der mentalen Wett-Disziplin ist: „Der beste Schutz vor dem Schwarzmarkt ist ein attraktives, legales Angebot. Dazu gehören mehr zulässige Wettarten, mehr Live-Wetten und eine realitätsnahe Ausgestaltung der Regulierung.“ Was er beschreibt, ist die psychologische Anziehungskraft des Verbotenen — und die Notwendigkeit, ihr ein strukturell besseres legales Angebot entgegenzusetzen. Diese Logik gilt nicht nur regulatorisch, sondern auch individuell: Wer mental nicht stabil ist, sucht die Reize, die schneller hochziehen.

Tilt ist die bekannteste mentale Falle. Der Begriff stammt aus dem Poker und beschreibt einen Zustand emotionaler Übersteuerung, in dem Entscheidungen nicht mehr auf Analyse, sondern auf Frust oder Gier basieren. Typische Tilt-Auslöser im MLB-Wetten: Eine knappe Niederlage durch ein einzelnes Run im neunten Inning. Eine vermeintliche Gewinn-Wette, die durch Pinch-Hitter-Pech kippt. Drei Verluste in Folge in einem Wett-Block.

Die Reaktion auf Tilt ist meistens eine von zwei: Entweder erhöht der Wetter seine Stakes, um den Verlust schnell auszugleichen („Chasing Losses“) — oder er platziert zusätzliche Wetten außerhalb seines normalen Selektions-Prozesses. Beide Reaktionen sind strukturell zerstörerisch. Sie konvertieren statistische Varianz, die sich über lange Stichproben ausgleicht, in echte Bankroll-Verluste, die sich nicht ausgleichen.

Streak-Bias ist die zweite mentale Falle. Sie tritt in beide Richtungen auf. Nach einer Gewinn-Serie überschätzt der Wetter sein Können und erhöht Stakes oder lockert Selektions-Kriterien. Nach einer Verlust-Serie verliert er Vertrauen in das System und ändert Methodik mitten in der Saison. Beide Verhaltensweisen ignorieren die mathematische Realität: Gewinn- und Verlust-Streaks sind in jedem profitablen System statistisch unvermeidlich.

Bei 55 Prozent Trefferquote sind Streaks von sechs Wetten in eine Richtung über eine Saison von 200 Wetten erwartbar. Bei 40 Prozent Underdog-Trefferquote werden sie häufiger, länger und psychologisch belastender. Wer die mathematische Realität dieser Streaks nicht emotional integriert hat, wird in ihnen handeln, statt zu warten.

Recency-Bias ist die dritte mentale Falle. Sie überbewertet die jüngste Performance gegenüber dem langfristigen Profil. Ein Pitcher, der in seinen letzten drei Starts schwach war, wird mental als „schwacher Pitcher“ eingestuft — obwohl seine Saison-Stats stabil bleiben. Ein Team, das sechs von acht Spielen gewonnen hat, wird als „heißes Team“ gepriced, obwohl die zugrunde liegenden Pythagorean-Daten unverändert sind.

Recency-Bias produziert eine eigene Form von Mispricing: Public-Money fließt überproportional auf „heiße“ Teams und gegen „kalte“ Teams, was Buchmacher-Linien in die entsprechende Richtung verzerrt. Wer systematisch gegen Recency-Bias wettet — also Underdog-Wetten auf Teams in temporären Schwächephasen, deren strukturelles Profil stabil bleibt — produziert über genug Wetten Edge.

Die mentale Disziplin lässt sich nicht durch Tricks aufbauen, sondern durch Strukturen. Wett-Logbuch führen. Stakes vor der Wette berechnen, nicht nach Bauchgefühl. Tilt-Erkennung als Selbstprüfungsfrage etablieren: „Ist diese Wette teil meines normalen Selektions-Prozesses oder eine Reaktion auf etwas anderes?“ Wer ehrlich antwortet, fängt 80 Prozent der schlechten Wetten ab, bevor sie platziert werden.

Häufige Fragen zu Value Betting

Erstellt vom Redaktionsteam „Baseball Wetten”.