Elo-Rating im Tennis: Wie eigene Spielerstärke-Modelle deine Wetten verbessern

Warum das offizielle ATP-Ranking für Wetten nicht ausreicht

Eine Zahl, die mehr sagt als das ATP-Ranking. Das offizielle ATP-Ranking basiert auf Punkten, die über einen Zeitraum von 52 Wochen gesammelt werden. Für die Organisation der Tour ist das sinnvoll — für Wetten ist es ein stumpfes Werkzeug. Warum? Weil das Ranking nicht zwischen Belägen unterscheidet, vergangene Ergebnisse gleichgewichtet und die tatsächliche aktuelle Spielstärke nur unzureichend abbildet.

Die Upset-Rate von 31 bis 38 Prozent über die letzten 24 Jahre zeigt, dass das Ranking als Prognose-Instrument erhebliche Lücken hat. Ein Spieler auf Platz 15, der seine Punkte überwiegend auf Sand gesammelt hat, kann auf Rasen deutlich schwächer sein als ein Spieler auf Platz 40, der auf schnellen Belägen spezialisiert ist. Das Ranking sieht den Unterschied nicht — ein Elo-System kann ihn abbilden.

Dieser Artikel erklärt die Grundlagen des Elo-Ratings, zeigt, wie man es für Tennis anpasst, und liefert eine Schritt-für-Schritt-Anleitung, um ein eigenes einfaches Modell zu bauen. Die nötigen Daten sind frei verfügbar, die Mathematik ist überschaubar, und der Vorteil gegenüber reinen Ranking-basierten Analysen ist durch Studien belegt.

Elo-Grundlagen: Wie das Rating funktioniert

Das Elo-System wurde in den 1960er Jahren für Schach entwickelt und ist in seiner Grundform elegant einfach. Jeder Spieler hat einen numerischen Rating-Wert, der nach jedem Match angepasst wird. Gewinnt ein Spieler gegen einen höher gerateten Gegner, steigt sein Rating stärker als bei einem Sieg gegen einen schwächeren Gegner. Verliert er gegen einen schwächeren Gegner, sinkt sein Rating stärker als bei einer Niederlage gegen einen stärkeren.

Die mathematische Basis: Aus den Elo-Ratings beider Spieler wird eine erwartete Gewinnwahrscheinlichkeit berechnet. Die Formel: E = 1 / (1 + 10^((Rb - Ra) / 400)), wobei Ra das Rating des Spielers und Rb das Rating des Gegners ist. Bei einem Ratingunterschied von 200 Punkten ergibt sich eine erwartete Gewinnwahrscheinlichkeit von etwa 76 Prozent für den höher gerateten Spieler. Bei 100 Punkten Differenz sind es 64 Prozent, bei 400 Punkten über 90 Prozent.

Nach dem Match wird das Rating angepasst: Neues Rating = Altes Rating + K × (tatsächliches Ergebnis - erwartetes Ergebnis). Der K-Faktor bestimmt, wie stark einzelne Matches das Rating verändern. Ein hoher K-Faktor macht das System reaktiver — neue Ergebnisse wiegen stärker. Ein niedriger K-Faktor macht es stabiler — das Rating reagiert langsamer auf kurzfristige Schwankungen.

Der Vorteil gegenüber dem ATP-Ranking: Elo reagiert auf die Stärke des Gegners. Ein Sieg gegen die Nummer 5 der Welt bringt mehr Rating-Punkte als ein Sieg gegen die Nummer 150. Im ATP-System zählt vor allem die Runde, die ein Spieler bei einem Turnier erreicht — unabhängig davon, gegen wen er gespielt hat. Diese Blindheit gegenüber der Gegnerstärke ist eine der größten Schwächen des offiziellen Rankings für Wettanalysen.

Elo für Tennis anpassen: Surface-Elo und Recency Weighting

Das Standard-Elo funktioniert für Tennis, aber es lässt sich mit zwei Anpassungen deutlich verbessern. Die erste und wichtigste: Surface-Elo. Statt eines einzigen Elo-Ratings pro Spieler werden separate Ratings für jeden Belag geführt — eines für Hartplatz, eines für Sand, eines für Rasen. Bei einer Verteilung der ATP-Turniere von 56 Prozent Hartplatz, 33 Prozent Sand und 11 Prozent Rasen sind die Datensätze für Hartplatz am robustesten, für Rasen am dünnsten.

Surface-Elo fängt genau die Effekte ab, die das ATP-Ranking ignoriert. Ein Spieler mit einem Hartplatz-Elo von 1.800 und einem Sand-Elo von 1.550 ist auf Sand ein deutlich anderer Gegner als auf Hartplatz. Für die Wettanalyse bedeutet das: Die Gewinnwahrscheinlichkeit, die aus dem Surface-Elo berechnet wird, ist präziser als jede Prognose, die auf dem Gesamtranking basiert.

Die zweite Anpassung ist Recency Weighting. Im Standard-Elo wiegt ein Match von vor elf Monaten genauso stark wie ein Match von letzter Woche. Das bildet die Realität im Tennis schlecht ab, wo Formkurven kurzlebig sind. Die Lösung: Ältere Matches erhalten einen niedrigeren Gewichtungsfaktor. Eine gängige Methode ist der exponentielle Decay — Matches, die mehr als sechs Monate alt sind, tragen mit abnehmendem Gewicht zum aktuellen Rating bei.

Die Kombination aus Surface-Elo und Recency Weighting erzeugt ein System, das dem ATP-Ranking in der Prognosequalität überlegen ist. Studien auf Basis von Tennis Abstract zeigen, dass surface-adjustierte Elo-Modelle die Siegvorhersage um drei bis fünf Prozentpunkte genauer machen als das offizielle Ranking — ein Unterschied, der bei Wetten über hunderte Matches den Unterschied zwischen Verlust und Gewinn ausmachen kann.

Ein einfaches Elo-Modell bauen: Schritt für Schritt

Ein eigenes Elo-Modell zu bauen, erfordert keine Programmierkenntnisse auf Expertenniveau — ein Tabellenkalkulationsprogramm reicht für den Einstieg. Schritt eins: Lade einen historischen Matchdatensatz herunter. Die Daten von Jeff Sackmann auf GitHub, verfügbar über Tennis Abstract, umfassen ATP- und WTA-Matches seit den 1960er Jahren mit Belag, Turnierlevel und Ergebnis.

Schritt zwei: Setze ein Start-Elo von 1.500 für jeden Spieler und wähle einen K-Faktor. Für Tennis hat sich ein K-Faktor zwischen 20 und 32 bewährt — höher für ein reaktiveres System, niedriger für ein stabileres. Erstelle separate Spalten für Hartplatz-Elo, Sand-Elo und Rasen-Elo. Schritt drei: Iteriere durch den Datensatz Match für Match, berechne die erwartete Gewinnwahrscheinlichkeit und aktualisiere die Ratings nach jedem Match.

Schritt vier: Teste das Modell gegen historische Quoten. Lade Closing Lines von Oddsportal und vergleiche die Gewinnwahrscheinlichkeiten, die dein Elo-Modell berechnet, mit den impliziten Wahrscheinlichkeiten der Buchmacher-Quoten. Wenn dein Modell systematisch von den Quoten abweicht und diese Abweichungen über einen Backtest von mehreren hundert Matches profitabel sind, hast du einen messbaren Edge.

Schritt fünf: Kalibriere den K-Faktor und das Recency Weighting. Teste verschiedene Werte und messe, welche Kombination die höchste Prognosegenauigkeit liefert. Dieser Prozess ist iterativ — das erste Modell wird nicht perfekt sein, aber es wird besser sein als blindes Vertrauen auf das ATP-Ranking. Und mit jeder Saison an neuen Daten lässt sich das Modell weiter verfeinern.

Ein realistischer Zeitrahmen: Die Grundversion des Modells lässt sich an einem Wochenende aufsetzen. Die Kalibrierung dauert länger — idealerweise testet man verschiedene Parametersets über einen Backtest-Zeitraum von zwei bis drei Saisons. Das klingt nach viel Arbeit, ist aber eine einmalige Investition. Danach beschränkt sich der laufende Aufwand auf das Eintragen neuer Matchergebnisse — wenige Minuten pro Tag, die sich in einem präziseren Blick auf die Gewinnwahrscheinlichkeiten auszahlen.

Eine bessere Zahl für bessere Wetten

Eine Zahl, die mehr sagt als das ATP-Ranking. Ein surface-adjustiertes Elo-Modell mit Recency Weighting liefert präzisere Gewinnwahrscheinlichkeiten als das offizielle Ranking — und damit eine bessere Grundlage für Wettentscheidungen. Der Aufwand, ein eigenes Modell zu bauen, ist überschaubar; der Vorteil über eine Saison hinweg ist messbar. Wer analytisch wettet und seine eigenen Wahrscheinlichkeiten berechnen will, findet im Elo-System das Werkzeug, das den Unterschied macht.