Die ATP-Weltrangliste ist das bekannteste Bewertungssystem im Tennis — und zugleich eines der ungenauesten, wenn es um die Vorhersage konkreter Matchergebnisse geht. Punkte verfallen nach 52 Wochen, unabhängig davon, ob der Spieler besser oder schlechter geworden ist. Pflichtturnier-Regeln verzerren das Bild zusätzlich. Wer präzisere Vorhersagen treffen will, greift deshalb auf ein System zurück, das seine Wurzeln im Schach hat: das Elo-Rating.

Was ist das Elo-System?

Das Elo-System wurde in den 1960er-Jahren vom ungarisch-amerikanischen Physiker Arpad Elo für die Bewertung von Schachspielern entwickelt. Das Grundprinzip ist elegant: Jeder Spieler hat einen numerischen Rating-Wert, der nach jedem Match angepasst wird. Gewinnt ein Spieler gegen einen höher bewerteten Gegner, steigt sein Rating stärker, als wenn er gegen einen schwächeren Gegner gewinnt. Verliert er gegen einen schwächeren Gegner, fällt sein Rating stärker.

Die Formel dahinter berechnet zunächst die erwartete Gewinnwahrscheinlichkeit auf Basis der Rating-Differenz. Beträgt die Differenz null, liegt die erwartete Gewinnwahrscheinlichkeit bei 50 Prozent. Bei einer Differenz von 200 Punkten zugunsten von Spieler A beträgt seine erwartete Gewinnwahrscheinlichkeit rund 76 Prozent. Nach dem Match wird das Rating beider Spieler angepasst: Der Gewinner erhält Punkte proportional zur Überraschung seines Sieges, der Verlierer verliert die gleiche Anzahl.

Was das Elo-System für Tennis besonders wertvoll macht, ist seine Selbstkorrektur. Wenn ein Spieler besser wird, gewinnt er häufiger als erwartet, und sein Rating steigt. Wenn er nachlässt, verliert er häufiger, und sein Rating sinkt. Es gibt keine willkürlichen Punkte für Turnierteilnahmen und keine Verfallsfristen — das System reagiert organisch auf die tatsächliche Leistung.

Im Vergleich zur ATP-Rangliste bildet Elo die aktuelle Spielstärke präziser ab. Studien haben gezeigt, dass Elo-basierte Prognosen Matches um 3 bis 5 Prozent genauer vorhersagen als Prognosen auf Basis der offiziellen Rangliste. Das klingt nach wenig, macht über hunderte von Wetten aber einen erheblichen Unterschied.

Elo-Varianten im Tennis

Das klassische Elo-System lässt sich für Tennis auf verschiedene Weisen anpassen, um seine Vorhersagekraft zu erhöhen. Die wichtigsten Varianten adressieren die Besonderheiten des Tennissports, die im universellen Schach-Elo nicht berücksichtigt werden.

Die belagsspezifische Elo-Bewertung führt separate Ratings für Sand, Hartplatz und Rasen. Ein Spieler hat dann nicht einen, sondern drei Elo-Werte. Diese Variante ist besonders wertvoll, weil die Belagunterschiede im Tennis enorm sind. Ein Spieler mit einem Gesamt-Elo von 1800 könnte auf Sand ein Elo von 1900 und auf Rasen von 1650 haben. Die belagsspezifische Version nutzt für die Prognose den passenden Wert und produziert damit genauere Vorhersagen als das Einheitsrating.

Eine weitere Anpassung betrifft den K-Faktor — den Parameter, der bestimmt, wie stark das Rating nach einem Match reagiert. Ein hoher K-Faktor macht das System reaktiver, ein niedriger stabiler. Für Tennis hat sich ein dynamischer K-Faktor bewährt, der bei neuen oder jungen Spielern höher ist und bei etablierten Spielern niedriger. So kann das System schnelle Leistungssprünge junger Talente abbilden, ohne bei erfahrenen Spielern auf jede Schwankung überzureagieren.

Jeff Sackmann — der Betreiber von Tennis Abstract, einer der umfassendsten Tennis-Statistikseiten — hat mit seinem Elo-Modell gezeigt, dass belagsspezifische Elo-Ratings mit optimiertem K-Faktor die treffsicherste Prognosemethode im Tennis darstellen. Seine Daten sind öffentlich zugänglich und bilden die Grundlage für viele Wettmodelle.

Vom Elo-Rating zur Wettquote

Ein Elo-Rating allein nützt beim Wetten wenig — man muss es in eine Gewinnwahrscheinlichkeit und dann in eine faire Quote umrechnen. Die Umrechnung ist mathematisch unkompliziert und funktioniert über die logistische Funktion, die auch dem Elo-System selbst zugrunde liegt.

Bei einer Elo-Differenz von 100 Punkten beträgt die erwartete Gewinnwahrscheinlichkeit des höher bewerteten Spielers etwa 64 Prozent. Die faire Quote liegt dann bei 1 geteilt durch 0,64, also 1,56. Bietet der Buchmacher eine Quote von 1,70 an, liegt eine Value Bet vor. Bietet er nur 1,40, ist die Quote zu niedrig und der Erwartungswert negativ.

Die Stärke dieses Ansatzes liegt in seiner Systematik. Statt für jedes Match intuitiv eine Wahrscheinlichkeit zu schätzen, liefert das Modell einen konsistenten Rahmen. Man kann die Modell-Quote mit der Buchmacher-Quote vergleichen und objektiv entscheiden, ob eine Wette Value hat. Das eliminiert einen Großteil der emotionalen Verzerrungen, die Wetter zu Fehlentscheidungen verleiten.

Allerdings hat das reine Elo-Modell auch Grenzen. Es berücksichtigt keine kurzfristigen Faktoren wie Verletzungen, Ermüdung oder Motivation. Es sagt nichts über den Spielstil aus — ob ein Spieler ein ungünstiger Matchup für seinen Gegner ist, unabhängig von der Rating-Differenz. Und es unterschätzt systematisch Spieler, die nach langer Verletzungspause zurückkehren, weil ihr Rating während der Pause eingefroren war und die ersten Comebackmatches es herunterziehen.

Weiterführende Wettmodelle

Das Elo-Rating ist ein guter Ausgangspunkt, aber kein vollständiges Wettmodell. Professionelle Wetter und Syndikate ergänzen es um zusätzliche Variablen, die seine Vorhersagekraft steigern. Die gängigsten Erweiterungen betreffen die Spielcharakteristik, die Turnierphase und die aktuelle Form.

Ein erweitertes Modell könnte die Aufschlag- und Return-Statistiken beider Spieler einbeziehen, um nicht nur die allgemeine Spielstärke, sondern den konkreten Matchup zu bewerten. Wenn Spieler A ein starker Aufschlagspieler ist und Spieler B ein schwacher Returnspieler, verschiebt sich die Prognose zugunsten von A — auch wenn die Elo-Differenz gering ist. Solche matchupspezifischen Anpassungen erfordern mehr Daten und Rechenaufwand, liefern aber spürbar bessere Vorhersagen.

Die Turnierphase lässt sich als weiterer Faktor integrieren. Spieler, die erst in der Qualifikation einsteigen mussten, haben mehr Matches in den Beinen als gesetzte Spieler. In den ersten Runden kann das ein Vorteil sein, weil der Qualifikant bereits Matchrhythmus hat. In späteren Runden kehrt sich der Effekt um — Ermüdung wird zum Nachteil. Ein Modell, das die Anzahl der gespielten Matches im aktuellen Turnier berücksichtigt, kann diese Dynamik abbilden.

Fortgeschrittene Modelle nutzen Monte-Carlo-Simulationen, um nicht nur den Matchsieger, sondern auch den wahrscheinlichen Verlauf zu prognostizieren. Statt einer einzelnen Gewinnwahrscheinlichkeit simuliert das Modell tausende mögliche Matches — Punkt für Punkt — und berechnet die Wahrscheinlichkeit für verschiedene Satzergebnisse, Game-Zahlen und andere Märkte. Das erfordert erhebliche Rechenkapazität und saubere Daten, ermöglicht aber Vorhersagen für praktisch jeden Wettmarkt.

Ein eigenes Modell aufbauen

Der Aufbau eines eigenen Wettmodells klingt nach einer Aufgabe für Datenwissenschaftler, ist aber mit grundlegenden Statistik- und Programmierkenntnissen machbar. Der wichtigste Schritt ist der Zugang zu Daten. Die Website Tennis Abstract von Jeff Sackmann bietet umfassende historische Daten, die sich herunterladen und verarbeiten lassen. Die Datenbank umfasst Match-für-Match-Ergebnisse inklusive Aufschlagstatistiken für die ATP- und WTA-Tour über mehrere Jahrzehnte.

Mit diesen Daten kann man ein einfaches Elo-Modell in wenigen Stunden implementieren. Die Grundversion berechnet Ratings für alle Spieler, aktualisiert sie nach jedem Match und vergleicht die Modell-Prognosen mit den tatsächlichen Ergebnissen. Die Trefferquote — also der Prozentsatz korrekt vorhergesagter Matchsieger — liegt bei einem gut kalibrierten Elo-Modell bei 65 bis 68 Prozent. Das ist besser als die reine Rangliste, aber schlechter als die besten kommerziellen Modelle, die zusätzliche Variablen einbeziehen.

Die iterative Verbesserung ist der eigentliche Kern der Modellarbeit. Man testet verschiedene K-Faktoren, fügt belagsspezifische Ratings hinzu, experimentiert mit Formfaktoren und prüft, ob die Vorhersagegenauigkeit steigt. Jede Änderung wird gegen historische Daten getestet — ein Prozess, der Backtesting genannt wird und sicherstellt, dass Verbesserungen nicht auf Zufall beruhen.

Der Aufwand lohnt sich für Wetter, die langfristig systematisch vorgehen wollen. Ein eigenes Modell zwingt dazu, die eigenen Annahmen zu formalisieren und gegen Daten zu testen. Es eliminiert Bauchgefühl und ersetzt es durch überprüfbare Hypothesen. Und es liefert — bei sorgfältiger Pflege — einen nachhaltigen Vorteil gegenüber Wettern, die sich auf Intuition oder fremde Tipps verlassen.

Das Modell ist der Anfang, nicht das Ende

Ein häufiger Irrtum unter quantitativen Wettern ist der Glaube, das Modell sei die Antwort auf alles. In Wahrheit ist es ein Werkzeug — leistungsfähig, aber nicht allwissend. Ein Modell kann historische Daten verarbeiten, Muster erkennen und Wahrscheinlichkeiten berechnen. Was es nicht kann: die Verletzung sehen, die ein Spieler in der Pressekonferenz verschweigt. Den Motivationsunterschied zwischen einem Spieler, der seinen Heimatturnier-Titel verteidigt, und einem, der seinen Urlaub um eine Woche verschieben musste. Die taktische Umstellung, die ein Trainer nach dem ersten Satz vornimmt.

Die besten Wetter kombinieren deshalb Modell und Beobachtung. Das Modell liefert die Basis — eine systematische Einschätzung der Gewinnwahrscheinlichkeit, befreit von emotionalen Verzerrungen. Die Beobachtung liefert die Anpassung — qualitative Informationen, die das Modell nicht erfassen kann. Wer beides zusammenbringt, hat das stärkste Werkzeug, das im Tenniswetten verfügbar ist. Wer sich nur auf eines verlässt, wird entweder zu mechanisch oder zu emotional agieren — und beides kostet langfristig Geld.