xG Tabelle Bundesliga 2025/26: Was die Expected-Goals-Rangliste verrät
Available in US
Vor fünf Jahren kannte kaum jemand außerhalb von Analytiker-Kreisen den Begriff „Expected Goals“. Heute ist xG in jeder Sportschau präsent – und trotzdem verstehen die wenigsten, wie man die Metrik für Wetten nutzt. Ich erinnere mich an ein Spiel, das mein Verständnis verändert hat: Union Berlin gegen Köln, Saison 2021/22. Union gewann 2:0, hatte aber nur einen xG von 0.8. Köln verlor mit einem xG von 2.1. Wer hätte langfristig auf wessen Seite gewettet? Die Antwort lag nicht im Ergebnis, sondern in den Daten.
Die xG-Tabelle zeigt, welche Teams über oder unter ihren statistischen Erwartungen performen. Das ist keine akademische Spielerei – es ist ein Werkzeug zur Identifikation von Value Bets, das ich täglich nutze.
Die aktuelle xG-Tabelle der Bundesliga
Der FC Bayern München führt die xG-Tabelle der Bundesliga 2025/26 mit 74,68 expected goals aus 28 Spielen an. Das entspricht 2,67 xG pro 90 Minuten – ein Wert, der die Dominanz der Münchener unterstreicht. Sie haben 100 Tore erzielt und damit ihren xG-Wert um satte 25,3 übertroffen. Das ist keine Normalverteilung, das ist Harry Kane in Topform.
Auf der Defensivseite bestätigt sich das Bild: Bayern hat die beste Defensive nach xGA mit nur 31,79 erwarteten Gegentoren – also 1,14 pro 90 Minuten. Die tatsächlich kassierten 27 Tore liegen sogar darunter. Bayerns Abwehr ist statistisch so gut, wie sie aussieht – und vielleicht sogar besser.
Im Mittelfeld der Tabelle wird es interessant. Teams wie Frankfurt oder Wolfsburg zeigen signifikante Abweichungen zwischen xG und erzielten Toren. Diese Diskrepanz ist mein erster Filter bei der Spieltagsanalyse. Wenn ein Team konstant über seinem xG performed, deuten die Daten auf eine Korrektur hin – nicht heute, nicht morgen, aber über einen längeren Zeitraum. Die Frage ist nur, wann.
Die xG-Tabelle unterscheidet sich oft deutlich von der realen Tabelle. Ein Team auf Platz 8 nach Punkten kann xG-mäßig auf Platz 5 liegen – das sagt mir, dass es stärker ist, als die Ergebnisse vermuten lassen. Umgekehrt kann ein vermeintlicher Europa-League-Kandidat nach xG nur Mittelmaß sein. Diese Diskrepanzen sind Goldminen für Value-Wetten, weil der Markt auf die echte Tabelle schaut, nicht auf die xG-Tabelle.
Überperformer: Teams über ihrem xG-Wert
Bayern ist der offensichtlichste Überperformer der Liga – 100 Tore bei 74,68 xG bedeutet eine Überperformance von 25,3 Toren. Aber bei Bayern ist das weniger aussagekräftig, weil ihre individuelle Qualität die Statistik verzerrt. Kane und Musiala veredeln Chancen, die andere Stürmer vergeben würden.
Spannender sind die mittelgroßen Teams, die konstant über xG scoren. Hier stellt sich die Frage: Ist das nachhaltig? In den meisten Fällen nicht. Ein Team, das seinen xG um 10 oder mehr Tore übertrifft, hat entweder einen außergewöhnlichen Torjäger oder war einfach glücklich. Letzteres korrigiert sich über eine Saison hinweg.
Die Gefahr bei Überperformern: Ihre Quoten spiegeln die tatsächlichen Ergebnisse wider, nicht die xG-Werte. Wenn ein Team Spiele gewinnt, die es statistisch nicht gewinnen sollte, werden seine Quoten niedriger. Der Markt reagiert auf Ergebnisse, ich reagiere auf Daten. Diese Asymmetrie nutze ich, indem ich gegen konstante Überperformer wette – vorsichtig, aber konsequent.
Ein Beispiel aus der letzten Saison: Ein Aufsteiger startete mit fünf Siegen aus sieben Spielen, sein xG deutete aber nur auf zwei bis drei erwartete Siege hin. Die Quoten für seine weiteren Spiele sanken. Ich wettete gegen sie – und lag in acht von zehn Fällen richtig. Regression ist keine Theorie, sie ist ein Naturgesetz.
Underperformer: Regression als Wettchance
Underperformer sind mein Jagdrevier. Ein Team, das weniger Punkte hat, als sein xG vermuten lässt, ist statistisch im Pech. Pech endet. Und wenn es endet, stimmen die Quoten nicht mehr. Der Markt preist vergangene Ergebnisse ein, ich preise zukünftige Regression ein.
Typische Underperformer haben gute Torchancen, aber keinen kalten Abschluss. Ihr xG ist hoch, ihre Torzahl niedrig. Vielleicht fehlt ein Vollstrecker, vielleicht haben sie einfach die Latte getroffen statt das Netz. Über Zeit gleicht sich das aus – und ich bin dabei, wenn es passiert. Die Statistik nennt das „Regression zum Mittelwert“, ich nenne es Gelegenheit.
Die Analyse geht tiefer als nur xG minus Tore. Ich schaue mir an, wie sich die Differenz entwickelt. Wird sie größer oder kleiner? Ein Team, das am Anfang underperformed hat, aber die Lücke schließt, ist weniger interessant als eines, bei dem die Lücke konstant bleibt oder wächst. Letzteres ist noch nicht zur Regression gekommen – die Chance besteht weiterhin.
Defensiv gilt dasselbe Prinzip. Ein Team, das deutlich mehr Tore kassiert hat als sein xGA suggeriert, wird diese Lücke wahrscheinlich schließen. Wenn die Quoten auf hohe Gegentorzahlen kalkuliert sind, finde ich Value bei Under-Wetten oder bei Siegwetten dieses Teams.
Eine wichtige Einschränkung: Nicht jede Underperformance ist reversibel. Manchmal liegt es an strukturellen Problemen – einem Torwart, der konstant schlecht hält, einem Stürmer, der psychologisch blockiert ist. Diese Faktoren bleiben bestehen und verhindern Regression. Deshalb schaue ich mir immer die Ursachen an, nicht nur die Zahlen.
Praktische Anwendung für Wettentscheidungen
Mein Workflow vor jedem Spieltag beginnt mit der xG-Tabelle. Ich identifiziere Teams mit signifikanten Abweichungen – positiv oder negativ – und filtere die Spiele, in denen diese Teams aufeinandertreffen oder gegen den Trend laufen. Diese systematische Herangehensweise hat meine Trefferquote deutlich verbessert.
Bei Spielen mit einem kombinierten xG-Wert über 3,0 fielen in 68 Prozent der Fälle mehr als 2,5 Tore. Diese Statistik ist mein Basis-Filter für Over-Wetten. Wenn ich ein Spiel analysiere, addiere ich die xG-Werte beider Teams aus den letzten fünf Spielen. Liegt die Summe über 3,0, prüfe ich die Over-Quote. Liegt sie unter 1.80, ist die Wette in der Regel werthaltig.
Für Siegwetten nutze ich die xG-Differenz: xG minus xGA ergibt eine Nettozahl, die ich mit der erwarteten Punktzahl aus der xPoints-Berechnung vergleiche. Teams mit positiver xG-Differenz, aber negativer Punktdifferenz zur erwarteten Tabelle, sind meine Favoriten für Siegwetten – sie sind besser, als der Markt glaubt. Diese Diskrepanz ist reiner Value.
Ein praktischer Tipp: Ich schaue nicht nur auf die Saison-xG, sondern auf die letzten fünf bis zehn Spiele. Formkurven sind relevanter als Saisonwerte, weil sie Verletzungen, Trainerwechsel und taktische Anpassungen einbeziehen. Ein Team mit niedrigem Saison-xG, aber steigendem xG in den letzten Spielen, ist auf dem Weg nach oben – und die Quoten haben das vielleicht noch nicht verstanden.
Die Kombination aus xG-Analyse und klassischer Formbetrachtung ist mächtiger als beides allein. xG sagt mir, was statistisch passieren sollte. Die Form sagt mir, in welche Richtung sich ein Team bewegt. Zusammen ergibt das ein Bild, das über einzelne Ergebnisse hinausgeht. Für mehr Kontext zur statistischen Analyse empfehle ich meinen Überblick zur Bundesliga-Statistik-Analyse.
Häufig gestellte Fragen
Was bedeutet eine positive xG-Differenz für zukünftige Ergebnisse?
Eine positive xG-Differenz (mehr erwartete Tore als kassierte) deutet auf offensive Stärke relativ zur Defensive hin. Langfristig korreliert die xG-Differenz stark mit Punkten. Teams mit hoher positiver Differenz werden statistisch mehr Spiele gewinnen als verlieren – unabhängig von kurzfristigen Ergebnisschwankungen.
Wie oft aktualisieren sich xG-Werte während der Saison?
xG-Werte werden nach jedem Spieltag aktualisiert und sind meist innerhalb von 24 bis 48 Stunden nach Abpfiff verfügbar. Die Saisonwerte ändern sich mit jedem Spiel, aber signifikante Trends zeigen sich erst nach fünf bis acht Spielen. Für Wettentscheidungen nutze ich sowohl Saison- als auch Rolling-Werte der letzten fünf Partien.
Geschrieben von der Redaktion „Fußball Bundesliga Sportwetten”.
