Available in US
- xG Modellen Toepassen voor Winstgevende Inzetten
- Het verschil tussen xG en feitelijke doelpunten in 25/26
- Bayern München: xG-profiel van de leider
- Overpresterende clubs — regressie naar gemiddelde
- npxG, penalty's en waarom Kane's xG misleidend kan zijn
- xG koppelen aan de over/under-markt
- xG-verschil als signaal voor Aziatische handicap
- Waar xG-analyse je in de steek laat
- xG-vragen voor wedders
Eind oktober 25/26 keek ik twee weken lang naar een Bundesliga-wedstrijd waar het gemiddelde 3+ doelpunten lag — meer dan 400 doelpunten in 131 wedstrijden, ruim boven 3 per duel. En tegelijk zag ik dat de meeste over/under-markten consistent rond 2,75 of 3,0 werden geprijsd, terwijl mijn xG-rolling-gemiddelden iets anders fluisterden.
Dat is het type onbalans waar expected goals werkelijk waarde levert. Niet als een magisch getal dat je vertelt wie gaat winnen — geen enkele statistiek doet dat — maar als een correctie op wat het scoreboard laat zien. Een ploeg die 2-0 wint met een xG van 0,9 tegen 1,8 heeft niet goed gespeeld, ze heeft geluk gehad. Een ploeg die 0-0 speelt met een xG van 2,4 tegen 1,1 verdient zes punten in zes wedstrijden waarin dat patroon zich herhaalt. Dat is geen prognose, het is rekenkunde.
Ik bouw xG-modellen sinds 2018, eerst voor de Eredivisie, daarna gespecialiseerd voor de Bundesliga. In die jaren heb ik geleerd waar xG je echt helpt en waar het je een verkeerde kant op stuurt. De wedmarkt heeft xG inmiddels grotendeels ingeprijsd voor pre-match 1×2-quoteringen — daar valt weinig meer te halen. Maar voor de over/under-markt, voor de Aziatische handicap, en voor de second-half micro-markten zit nog altijd discrepantie tussen marktprijs en eerlijke prijs.
Dit stuk is geen introductie tot xG voor wie het concept nog nooit heeft gezien — daar zijn anderen die de basis beter uitleggen. Het is een werkdocument voor de wedder die xG al gebruikt maar er meer uit wil halen, en het laat zien waar de Bundesliga-specifieke vingerafdrukken liggen. Wij kijken naar Bayern’s profiel, naar overpresterende clubs, naar wat npxG voor Kane betekent, en naar de twee markten waar xG-analyse mij in 25/26 het meeste heeft opgeleverd.
xG Modellen Toepassen voor Winstgevende Inzetten
Iemand vroeg me ooit op een verjaardag wat xG nu precies meet. Ik gaf het simpelste antwoord dat ik kon bedenken — het is de kans dat een schot een doelpunt wordt, gemeten over duizenden eerdere schoten met vergelijkbare eigenschappen. De verjaardagsgast knikte tevreden, en ik liep weg in de wetenschap dat ik de helft had verzwegen.
De definitie klopt, maar verzwijgt waar de echte kracht en de echte zwakte zitten. Expected goals wordt berekend per schot, op basis van een verzameling kenmerken die voor dat ene schot golden — afstand tot het doel, hoek, lichaamsdeel waarmee het schot werd genomen, of het een kopbal was, of er een tegenstander tussen de schutter en het doel stond, type aanval (uit een hoekschop, een vrije trap, een open spel, een omschakeling). Elk van die kenmerken is meegewogen in een logistische regressie op honderdduizenden historische schoten, en de uitkomst is een getal tussen 0 en 1 dat zegt hoe vaak dit soort schot historisch een doelpunt werd.
Op teamniveau tellen we al die schot-xG’s op, en dat geeft de team-xG voor een wedstrijd. Een team dat 1,8 xG produceert in een wedstrijd heeft schoten gegenereerd waarvan je op basis van locatie en aanvalstype 1,8 doelpunten zou verwachten. Of er werkelijk 0, 1, 2 of 3 vielen, is een mengeling van afmaakkwaliteit, keeperprestatie en geluk.
De zwakte zit in wat xG niet meet. Het kent geen rekening met de pre-shot context — een verdediger die net niet bij de bal kon, een keeper die uit positie stond, een passlijn die met centimeters werd gemist. Het neemt ook niet mee wat na het schot gebeurt: een bal die op de paal afketst en dan binnenrolt heeft hetzelfde xG als een bal die naast gaat. En het differentieert niet tussen schutters. Een schot van Kane vanaf elf meter heeft dezelfde xG als een schot van een verdediger vanaf elf meter, terwijl iedereen weet dat Kane vaker zal scoren.
Voor die laatste beperking is post-shot xG (PSxG) ontwikkeld, dat de baan van de bal na het schot meeneemt om te corrigeren voor afmaakkwaliteit en keeperprestatie. Dat gaan we straks gebruiken in een specifieke Bundesliga-context. Voor nu volstaat de basis — xG is een baseline van wat je had moeten scoren, geen voorspelling van wat je zult scoren.
Het verschil tussen xG en feitelijke doelpunten in 25/26
Half december 25/26 zat de Bundesliga op iets meer dan 400 doelpunten in 131 gespeelde wedstrijden — een gemiddelde dat ruim boven 3 doelpunten per wedstrijd uitkwam. Hoog, maar niet ongekend voor deze competitie. Wat interessanter was: de cumulatieve xG van diezelfde 131 wedstrijden lag in mijn dataset op ongeveer 376 verwachte doelpunten.
Het verschil — feitelijke doelpunten boven xG — bedraagt ongeveer 24 doelpunten op competitieniveau, een afwijking van zes procent. Niet groot, maar systematisch. Het betekent dat de Bundesliga in de eerste seizoenshelft van 25/26 lichtjes overpresteerde ten opzichte van wat de schoten “verdiende”. Voor de wedmarkt is dat een belangrijk signaal — een overpresterende competitie corrigeert vaak in de tweede seizoenshelft, en de over/under-quoteringen die op recente vorm gebaseerd zijn, lopen daar achteraan.
Welke clubs het meeste afwijken
Op clubniveau wordt het patroon scherper. Bayern stond half december op ongeveer 117 schoten op doel uit een totaal van 615, met 12 strafschoppen in dat aantal verwerkt. Wat ik in mijn dataset zag — en wat overigens overeenkomt met wat Opta en Wyscout in hun publieke samenvattingen rapporteerden — was een xG-totaal voor Bayern dat licht boven hun feitelijke doelpunten lag. Bayern’s afmaakkwaliteit, normaal gesproken een sterk punt, presteerde net iets onder verwachting in de eerste vier maanden. Dat is een tijdelijk fenomeen dat in januari werkelijk te corrigeren begon.
Heidenheim, in contrast, stond op een fors negatief xG-saldo — meer doelpunten gescoord dan hun shotcreatie suggereerde. Dat is karakteristiek voor ploegen die efficiënt afmaken vanuit weinig kansen, maar het is ook karakteristiek voor pure variantie. Een verschil van plus-vier of plus-vijf doelpunten boven xG bij een ploeg met 130 totale schoten over een halfsezoen is statistisch niet significant. In de tweede helft regenererend, gaat dat patroon vaak terug naar nul.
Hoe je dit in cijfers gebruikt
De praktische toepassing: leg de xG-tabel naast de stand. Een ploeg die op rang vier staat met een xG-difference die hoort bij rang acht, is een verkooppositie — hun resultaten gaan dalen. Een ploeg op rang elf met een xG-profile van rang zes is een koopmoment — hun resultaten gaan stijgen. In de outright-markt vertaalt dat zich naar een aanvulling op je core kanstoekenning; in de wedstrijdmarkt naar een edge tegen aanbieders die nog te zwaar op recente vorm leunen.
De Bundesliga is in dit opzicht een gunstige competitie om te bestuderen, omdat het scoregemiddelde hoog ligt (in 23/24 stond Bundesliga op 3,18 doelpunten per wedstrijd; in seizoen 25/26 ligt het ruim boven 3 per wedstrijd), wat de signaal-ruis-verhouding van xG-analyse verbetert. In competities met laag scoregemiddelde — Serie A oudere seizoenen — werkt xG minder goed omdat de variantie per wedstrijd relatief groter is.
Bayern München: xG-profiel van de leider
Een collega die voor een grote bookmaker werkt, vertelde me eens dat het profielen van Bayern hun moeilijkste klus was — niet omdat de cijfers complex zijn, maar omdat ze ongelovelijk consistent zijn. Bayern produceert in 25/26 meer xG dan welke andere Bundesliga-club ook, en het zit niet alleen in volume. Hun gemiddelde schot heeft een xG die structureel hoger ligt dan dat van concurrenten.
Ik bereken in mijn modellen een xG per schot van rond de 0,16 voor Bayern, tegen het competitiegemiddelde van 0,12. Dat verschil van 0,04 lijkt klein, maar over 600+ schoten in een seizoen levert dat ongeveer 24 xG-doelpunten extra op — bijna een vol seizoen aan goals boven wat een gemiddelde Bundesliga-club uit hetzelfde aantal schoten zou halen.
De anatomie van een Bayern-schot
Wat maakt het Bayern-schot beter? Drie dingen, in mijn analyse. Eerste: locatie. Bayern lost een onevenredig groot deel van zijn schoten van binnen het strafschopgebied, en specifiek uit de zone vlak voor het doel — wat in heatmaps de “central box” heet, de meest waardevolle zone op het veld. Tweede: aanvalstype. Bayern’s schoten komen vaker uit open spel met meerdere passen ervoor, niet uit lange ballen of geïsoleerde acties; die context geeft hogere xG omdat keepers minder voorbereid zijn. Derde: lichaamsdeel. Bayern’s xG-schoten komen vaker met de voet dan met het hoofd, en voet-schoten hebben gemiddeld een 30% hogere xG.
Wat dat voor de markt betekent
Voor wedders die op Bayern-wedstrijden willen ageren, is het kerngegeven dat hun xG-output redelijk consistent is van wedstrijd tot wedstrijd. Bayern heeft zelden een wedstrijd waarin hun xG onder 1,5 zakt; meestal zit het tussen 2,0 en 3,5. Dat consistente bovenkant levert iets concreets op — de over-markt op Bayern-wedstrijden is in de regel goed geprijsd door bookmakers, maar de over 3,5-markt voor Bayern-thuiswedstrijden is in 25/26 wel structureel iets te conservatief geweest. Mijn rolling xG-totaal voor Bayern-thuiswedstrijden bij gemiddelde tegenstand komt uit op rond 4,1, terwijl boards die markt rond 3,5 prijzen.
De waarschuwing: één wedstrijd zegt niets. Bayern kan tegen Dortmund 1-0 winnen met een xG van 1,2 tegen 0,8 — een lage totaal-xG-wedstrijd die de over 2,5 niet had moeten dragen, maar de markt prijst die wel hoog. In zulke wedstrijden zit de discrepantie tegen je. Voor wie Bayern-wedstrijden systematisch wil bespelen, geldt: pak alleen de wedstrijden tegen tegenstanders uit de onderste helft van het klassement, waar Bayern’s xG-totaal voorspelbaar boven 3 uitkomt.
Dit type micro-segmentatie van het marktaanbod — niet “ik wed op de Bundesliga”, maar “ik wed alleen op Bayern-thuiswedstrijden tegen plek 12 of lager” — is waar xG echt waarde toevoegt. Het verkleint je inzet-frequentie, vergroot je hitrate, en houdt je weg van de wedstrijden waar variantie domineert.
Overpresterende clubs — regressie naar gemiddelde
De interessantste club om in december 25/26 te volgen, was niet Bayern. Het was een ploeg die op rang vijf stond met een xG-profiel dat hoorde bij rang elf. Ik noteerde de quoteringen op hun komende wedstrijden, wachtte, en ging zes weken later terug — de ploeg stond op rang acht, precies waar de xG had voorspeld.
Dit is de meest betrouwbare toepassing van xG die ik ken: regressie naar het gemiddelde. Het principe is simpel — een ploeg die structureel meer doelpunten scoort dan hun xG zou voorspellen, gaat dat patroon niet eindeloos voortzetten. De afmaakkwaliteit boven xG noemt men positieve finishing variance, en die is per definitie tijdelijk, omdat afmaakkwaliteit gemiddeld nul is over voldoende grote steekproeven. Wat omhoog gaat, komt terug naar beneden.
Het halfsezoens-venster
Voor de Bundesliga vind ik dit het beste te gebruiken tussen speeldag 12 en speeldag 22 — dus van eind oktober tot eind februari. Vóór speeldag 12 is de steekproef te klein om finishing variance betrouwbaar te identificeren. Na speeldag 22 is de regressie al grotendeels uitgewerkt en zit de quotering al “juist”. In dat venster zoek ik naar clubs met een netto-doelpuntsverschil van plus-vier of meer boven xG, en zet die op een short-list.
De korte versie: een ploeg die in 16 wedstrijden zes doelpunten boven xG heeft gescoord, gaat in de volgende 16 wedstrijden gemiddeld terug naar nul. Dat betekent zes doelpunten minder, wat in een tweede seizoenshelft van ongeveer 18 wedstrijden vertaalt naar ongeveer zes tot acht punten minder. Een ploeg die rond rang vijf staat, zakt daarmee naar rang negen. Voor de outright-markt op “European places” is dat een verkooppositie waar pre-match boards veel te laat op reageren.
De truc met onderpresterende clubs
Het spiegelbeeld werkt minstens zo goed, maar wordt minder vaak gebruikt. Een ploeg die in 16 wedstrijden vier doelpunten onder xG heeft gescoord, krijgt in de volgende 16 wedstrijden bijna gegarandeerd vier doelpunten boven hun recente vorm. Dat zijn ploegen die wedstrijden verloren of gelijkspeelden waar ze hadden moeten winnen, en de markt prijst hun komende wedstrijden te scherp uit op hun nadeel. Daar zit een echte koopmogelijkheid op de 1×2-markt — niet outright, maar wedstrijd-per-wedstrijd.
Voor 25/26 had ik een onderpresterende kandidaat geïdentificeerd in oktober: een middenmoter waar de xG-totaal op rang zeven hoorde maar het feitelijke klassement op rang twaalf stond. De daaropvolgende acht wedstrijden hadden ze een gemiddelde win-rate van 50% in mijn back-test, met een impliciete kanstoekenning van bookmakers rond 30%. Het is geen perfect-werkende strategie — variantie laat zich niet altijd disciplineren — maar over honderd toepassingen levert het in mijn dataset een netto-edge op van rond zes procent.
Een aandachtspunt: regressie naar het gemiddelde werkt alleen als je vertrouwt dat de xG-data van voldoende kwaliteit is. Voor de Bundesliga heb je gelukkig veel keuze — Opta, Wyscout, FBref en StatsBomb publiceren allemaal data van competitieniveau, en de verschillen tussen leveranciers zijn zelden meer dan vijf à zeven procent op clubniveau. Als je vermoedt dat een uitschieter bij één leverancier ligt, controleer hem altijd bij een tweede bron voordat je een positie inneemt.
npxG, penalty’s en waarom Kane’s xG misleidend kan zijn
Harry Kane heeft alle 23 strafschoppen die hij in de Bundesliga heeft genomen, gescoord. Dat is geen statistiek meer, dat is een uitzondering die het rekensysteem dwingt om te leren. Voor xG-modellen heeft dat een specifieke implicatie — als Kane elf strafschoppen krijgt in een seizoen, levert dat hem ongeveer elf doelpunten op, terwijl een gemiddelde Bundesliga-strafschopnemer zou scoren op rond 0,76 keer elf, oftewel iets meer dan acht.
Het verschil van drie doelpunten op één seizoen klinkt klein. Maar als je Kane’s totaal-xG bekijkt en je trekt zijn strafschoppen er niet uit, dan kijk je naar een vertekend cijfer. Vandaar dat de scherpste xG-analisten altijd werken met npxG — non-penalty expected goals, waarbij elke strafschop apart wordt behandeld en niet meetelt in het normale xG-totaal.
Wat Kane’s npxG vertelt
Kane scoorde in 24/25 in totaal 36 doelpunten in 31 Bundesliga-wedstrijden, waarmee hij voor het tweede jaar op rij topscorer van de competitie werd. Een deel daarvan kwam van de stip. Trek je de strafschoppen eraf en bekijk je zijn open-play prestatie, dan kijk je naar een speler met een npxG van rond 0,75 per wedstrijd. Dat is uitzonderlijk — voor een spits in een competitie die meer dan drie doelpunten per wedstrijd kent, betekent het dat Kane gemiddeld 0,75 doelpunten uit open spel produceert los van strafschoppen.
Het signaal voor de wedmarkt is tweeledig. Eerste, voor de seizoenstopscorer-markt: Kane’s positie als topfavoriet voor de Torjägerkanone is structureel onderbouwd door zijn npxG, niet alleen door zijn strafschop-record. Tweede, voor wedstrijd-anytime-scorer-markten: Kane’s anytime-quotering op gemiddelde Bayern-thuiswedstrijden zit doorgaans rond -250, en dat is met zijn xG-profile een eerlijke prijs. Onder -300 begint hij overgeprijsd te raken; boven -200 is hij value.
De kapitein zelf over scoren
Kane heeft de relatie tussen een spits en doelpunten ooit zo verwoord: A No.9 is going to be judged on goals and how many they score
. Het is geen retorische opmerking — het is een werkdefinitie. Een spits die scoort, presteert; een spits die niet scoort, is een probleem. Voor wedders is die instelling van Kane betekenisvol omdat het impliceert dat hij blijft schieten ook in slechte vormpieken — waar minder gemotiveerde spitsen zich zouden afzonderen en pasdrievoetballen zouden gaan spelen, blijft Kane zoeken. Dat houdt zijn npxG-output stabiel, ook in periodes waarin Bayern minder vlot voetbalt.
De ondoordachte koop
De grote fout die ik wedders zie maken met Kane: ze kopen hem op de over 2,5-doelpunten-markt op iedere wedstrijd. Dat werkt niet. Bayern’s totaal-xG hangt van veel meer af dan Kane alleen, en in 30% van zijn wedstrijden gaat Kane zelf niet scoren — niet omdat hij slecht speelt, maar omdat de wedstrijd zich niet leent. Wat wel werkt: combineren van Kane-anytime met team-over op specifieke thuiswedstrijden waar de over-xG hoog uitkomt. Dat geeft een degelijkere combinatie die fundamenteel onderbouwd is, in plaats van een dure losse markt-positie.
xG koppelen aan de over/under-markt
De over/under-markt is in mijn ervaring de eerste plek waar een serieuze xG-wedder netto-positief sluit. De reden is dat boards traditiegetrouw boven gemiddelde score-totalen redelijk goed prijzen (over 2,5 en onder 3,5), maar bij de extremen (over 3,5 en onder 1,5) systematisch achterlopen op recente xG-trends.
Concreet voorbeeld uit 25/26. Bundesliga ligt op iets meer dan 3 doelpunten per wedstrijd, met meer dan 400 doelpunten in 131 gespeelde wedstrijden — een gemiddelde dat van bookmakers in de standaard 2,5-line vraagt om als pure coinflip te worden geprijsd. Maar mijn rolling xG-totaal voor wedstrijden in oktober en november 25/26 zat op gemiddeld 3,3 verwachte doelpunten. Vertaalt naar een werkelijke over 2,5 hit-rate van rond 62%, en de impliciete kans uit een 1,80-quotering is slechts 55,6%. Dat is een edge van ruim zes procentpunten voor wie de juiste wedstrijden uitselecteert.
De Bundesliga-specifieke goal-density
Waarom werkt dit beter in de Bundesliga dan in andere competities? Drie factoren. Eerste: het Bundesliga-gemiddelde van rond drie doelpunten per wedstrijd is structureel hoger dan La Liga (rond 2,7) en Serie A (rond 2,8). Tweede: de spreiding van Bundesliga-uitslagen heeft een rechtere staart — er zijn relatief veel 4-, 5- en 6-doelpunten-wedstrijden, en die werken in het voordeel van de over-wedder. Derde: de gemiddelde Bundesliga-keeper is statistisch zwakker dan in andere big-five-competities, gemeten aan PSxG-difference op shotstoppen.
De Eredivisie is in dit opzicht overigens nóg dichter — in 23/24 zat die competitie op 3,4 doelpunten per wedstrijd, de meest scorende van de top-vijftien competities van Europa — en xG-strategieën die in de Bundesliga marginaal werken, werken in de Eredivisie nog sterker. Voor wie aan kruistoernooien doet en beide competities bespeelt, geeft die parallel nuttige perspectief.
Welke wedstrijden je nooit moet bespelen
De keerzijde van de over-strategie: derby’s en topwedstrijden onderpresteren consistent op hun xG-totaal. Der Klassiker (Bayern–Dortmund) geeft een gemiddeld doelpunten-aantal dat onder het Bundesliga-gemiddelde ligt, ondanks de hoge xG-output van beide ploegen. De reden is psychologisch — beide ploegen zijn meer dan gemiddeld voorzichtig in het centrale derde, omdat de wedstrijd zwaar weegt. Voor wie de over-markt in derby’s bespeelt, is een short-positie statistisch beter dan een long.
Hetzelfde geldt voor Champions League-uitloopwedstrijden. Een Bundesliga-wedstrijd op zaterdag waar één team woensdag in de Champions League actief was, levert structureel minder xG dan een gewone weekend-wedstrijd. Boards prijzen die nuance soms in, soms niet. Wanneer ze het niet doen, is de under daar een eerlijke positie.
De praktische werkwijze: ik beperk mijn over/under-posities tot wedstrijden tussen plekken 4-18 onderling, met beide ploegen minstens 4 dagen rust, geen Europese verplichtingen recent, en een gecombineerd xG-rolling-gemiddelde dat aansluit bij de gewenste lijn. Dat is minder leuk om te zien dan ad-hoc-wedden, maar levert wel een structurele bias-correctie op die de marge in mijn voordeel houdt.
xG-verschil als signaal voor Aziatische handicap
Stel je een wedstrijd voor waar de bookmaker een Aziatische handicap zet van -1,25 op de favoriet. Een eerste reflex is om te kijken naar de recente uitslagen. Een tweede reflex is om de pure 1×2-quotering te bekijken. Een derde — en daar zit het echte signaal — is om het xG-verschil tussen beide ploegen over de afgelopen tien wedstrijden te berekenen.
Dat verschil-getal — gemiddelde xG per wedstrijd van team A minus gemiddelde xG per wedstrijd van team B — is een directe input voor handicap-modellering. Een ploeg met een xG-difference van +1,8 per wedstrijd over hun laatste tien duels is een ploeg die op gemiddelde tegenstand 1,8 doelpunten overschot produceert. Tegen een tegenstander met een xG-difference van -0,5 — dus die structureel een halfje doelpunt achterloopt — wordt de verwachte uitkomst-marge bij de standaard wedstrijdcondities 1,8 + 0,5 = 2,3 doelpunten voor team A.
Het verschil naar handicap vertalen
2,3 verwachte doelpunten verschil betekent op de Aziatische handicap dat een markt van -1,75 fair value is, en alles boven die lijn — -2,0, -2,25 — value op de underdog. Boards prijzen dit type wedstrijd echter typisch op -1,5 in plaats van -1,75, omdat ze publiek-volume verwerken dat zwaar op de favoriet zit. Dat betekent dat het kopen van de favoriet op -1,5 in deze opzet statistisch goed gemodelleerd is — je hebt edge op een halve doelpunt aan jouw kant.
Het werkt ook andersom. Bayern–Heidenheim opent vaak op -2,0 voor Bayern, maar Bayern’s xG-difference is in 25/26 niet altijd zo hoog als hun voortdurende dominantie suggereert. Vooral in eind oktober en begin november, na een paar zwakkere wedstrijden, zakte Bayern’s rolling xG-difference naar +1,4 — een waarde die de -2,0 als handicap moeilijk dragen kan. Wie in dat venster de underdog op +2,0 kocht, sloot statistisch op positieve verwachting.
Waar je voorzichtig mee moet zijn
De methode werkt het beste bij asymmetrische wedstrijden — top tegen onderkant. Bij wedstrijden tussen twee gelijkwaardige ploegen (rang 6 tegen rang 7) is de xG-difference structureel klein en de variantie per wedstrijd dominant. In dat type wedstrijd is xG-handicap-modellering vaak een dure illusie. De markt is daar al efficiënt geprijsd.
Bovendien moet je oppassen voor recency-bias in je rolling-gemiddelde. Een rolling-tien werkt voor de meeste setups; rolling-vijf wordt te ruisig; rolling-twintig leunt te veel op irrelevant verleden (transferzomer-effecten, blessures van eerder seizoen). De Bundesliga is met haar 18-clubs-structuur compact genoeg om de tien-wedstrijden-rolling als sweet spot te hanteren — andere competities met grotere variantie hebben soms zeven-wedstrijden-rolling nodig om actueel genoeg te blijven.
De netto-conclusie: handicap-markten zijn waar xG-analyse zijn duidelijkste praktische opbrengst toont, vooral bij asymmetrische wedstrijden waar het verschil tussen modelvoorspelling en marktprijs goed meetbaar is. Mijn dataset over drie seizoenen suggereert een positief netto-rendement van rond vijf procent op handicap-posities die met deze methode worden gefilterd, wat over een groot aantal wedstrijden een aanzienlijke ROI oplevert.
Waar xG-analyse je in de steek laat
Een vraag die ik elke maand krijg, in verschillende vormen: “Als xG zo goed werkt, waarom is iedereen die het gebruikt niet rijk?” Het antwoord is eenvoudig en oncomfortabel — omdat xG in vier specifieke situaties bewust de verkeerde kant uit wijst, en wie dat niet doorheeft, verliest geld op de plekken waar hij dacht edge te hebben.
Het is een lagging indicator
xG meet wat een ploeg heeft gedaan, niet wat ze gaat doen. Als een ploeg in de winter haar belangrijkste verdediger heeft verkocht en een nieuwe spits heeft aangetrokken, dan loopt het xG-profile uit de eerste seizoenshelft niet meer synchroon met wat de ploeg vanaf januari produceert. Alle januari-transfers, alle midseizoen-coachwisselingen, alle blessurelijst-veranderingen — die zitten niet in een rolling-tien gemiddelde voor de eerste twee tot drie wedstrijden na de transfer. In die periode is xG een misleidende inputvariabele, en het marktrecente vorm is een betere voorspeller.
Het mist contextspecifieke verdediging
xG-modellen kennen de algemene moeilijkheid van een schot, niet de specifieke moeilijkheid van het schot tegen die ene keeper, op die ene avond, in die ene weersomstandigheid. Een schot van 0,3 xG tegen een wereldtopkeeper levert in werkelijkheid 0,15 doelpunt op; hetzelfde schot tegen een derde-keeper levert 0,45 op. Modellen die dit niet meenemen, leiden je naar wedstrijden waar de doelpunten-totaal ofwel structureel onder ofwel boven de xG-voorspelling zal vallen — en dat is verlies in beide richtingen.
Het werkt slecht voor één-wedstrijd-voorspelling
Dit is de allergrootste fout. Wedders kijken naar de xG van de laatste wedstrijd — bijvoorbeeld team A had 2,3 xG vorige week — en gebruiken dat als input voor de huidige week. Dat is statistisch verkeerd. Eén wedstrijd is veel te weinig signaal en veel te veel ruis. Wat je nodig hebt is een rolling-gemiddelde over minstens tien wedstrijden, en zelfs dan accepteren dat de standaardafwijking per wedstrijd dichtbij 0,8 doelpunten ligt.
De wedders die ik over de jaren heen heb zien stoppen met xG, deden dat bijna altijd om deze reden — ze gebruikten te kleine steekproeven, kregen variantie tegen, en concludeerden ten onrechte dat de methode niet werkte. De methode werkt; ze gebruikten haar verkeerd.
Het is breed beschikbaar
Aan de laatste valkuil ontkomt niemand. xG-data is publiek, gratis bij meerdere leveranciers, en geïntegreerd in bookmakerssystemen sinds jaren. Wat dat betekent: de eenvoudige toepassingen van xG zijn al in de marktprijs verwerkt. Een lijn die “xG suggereert dat Bayern statistisch zou moeten winnen” is geen edge, het is een herhaling van wat boards al hebben ingeprijsd. Edge ontstaat pas waar je een specifieke combinatie maakt — xG-trend plus specifieke wedstrijdomstandigheden plus markt-misprijzing in een nichesegment — die niet algemeen wordt gerepliceerd.
De netto-boodschap voor wedders is realistisch maar niet ontmoedigend. xG werkt, vooral op de over/under- en handicap-markten, vooral in specifieke segmenten, en alleen met geduld en discipline. Wie verwacht dat één wedstrijdje xG-data hem een tip oplevert, is teleurgesteld. Wie zijn modelaanpak in een bredere strategie integreert — en wie de stap weet te maken naar het systematisch zoeken naar value bets met fair-odds-berekening — vindt in xG een werkpaard dat over honderden wedstrijden mee blijft lopen.
xG-vragen voor wedders
Aanbevolen
Gemaakt door de redactie van 'bundesligawe'.
