Inhaltsverzeichnis
Mein erstes Vorhersagemodell war eine Excel-Tabelle mit drei Spalten: Name, Gewinnquote, Bauchgefühl. Die Trefferquote lag bei 52 Prozent – kaum besser als ein Münzwurf. Drei Jahre und Hunderte Stunden Datenarbeit später liegt mein Modell bei 64 Prozent Genauigkeit. Der Unterschied sind nicht mehr Daten, sondern bessere Daten und ein ehrlicherer Umgang mit dem, was Modelle nicht können.
Datenbasierte Vorhersagemodelle erreichen bei UFC-Kämpfen eine Genauigkeit von 60 bis 70 Prozent. Das klingt nach wenig für Außenstehende, aber in einem Sport, in dem ein einzelner Treffer alles ändern kann, ist es bemerkenswert. Und für Wetter ist es die Differenz zwischen langfristigem Verlust und langfristigem Gewinn – vorausgesetzt, die Modellvorhersagen werden konsequent in Wettentscheidungen übersetzt.
Elo-Rating, logistische Regression und Machine Learning im MMA
Es gibt drei Hauptansätze für UFC-Vorhersagemodelle, und ich habe alle drei über Jahre hinweg getestet, kombiniert und verworfen, bevor ich bei meinem aktuellen Hybrid-Ansatz gelandet bin.
Das Elo-Rating-System kennen die meisten aus dem Schach. Jeder Kämpfer bekommt einen numerischen Wert, der nach jedem Kampf angepasst wird – nach oben bei einem Sieg, nach unten bei einer Niederlage, stärker bei Überraschungen, schwächer bei erwarteten Ergebnissen. Das Elo-System ist elegant in seiner Einfachheit: Du brauchst nur die Ergebnishistorie, keine detaillierten Kampfstatistiken. Die Trefferquote eines reinen Elo-Modells liegt bei UFC-Kämpfen bei etwa 58 bis 62 Prozent – solide, aber nicht herausragend, weil es Stilmatchups und aktuelle Form ignoriert.
Logistische Regression geht einen Schritt weiter. Hier fließen mehrere Variablen ein – Significant Strikes pro Minute, Takedown Accuracy, Takedown Defense, Altersunterschied, Reichweitendifferenz – und das Modell berechnet eine Gewinnwahrscheinlichkeit basierend auf der historischen Beziehung zwischen diesen Variablen und dem Kampfausgang. Die 551 UFC-Kämpfe von 2025 mit ihren detaillierten Statistiken bieten genug Datenmaterial für robuste Regressionsmodelle. Die Trefferquote steigt auf 62 bis 66 Prozent, wenn die richtigen Variablen gewählt werden.
Machine Learning – insbesondere Random Forests und Gradient Boosting – kann komplexe, nicht-lineare Beziehungen zwischen Variablen erfassen, die lineare Modelle übersehen. Ein Machine-Learning-Modell erkennt zum Beispiel, dass ein Altersunterschied von zehn Jahren bei Heavyweights anders wirkt als bei Flyweights. Die Trefferquote kann bei gut trainierten ML-Modellen auf 65 bis 70 Prozent steigen – aber das Risiko von Overfitting ist erheblich. Ein Modell, das die Vergangenheit perfekt erklärt, ist nicht notwendigerweise gut darin, die Zukunft vorherzusagen.
Grenzen der Modelle: Was Daten nicht erfassen können
Nach Jahren der Modellentwicklung bin ich demütiger geworden. 60 bis 70 Prozent Genauigkeit bedeutet: 30 bis 40 Prozent der Kämpfe sagt kein Modell korrekt vorher. Das ist kein technisches Versagen – es ist die inhärente Natur des Sports.
Was Modelle nicht erfassen: Tagesform, mentale Verfassung, Verletzungen, die nicht öffentlich bekannt sind, Gameplan-Änderungen in der Kampfwoche und das, was ich „den Chaos-Faktor“ nenne – den einen Schlag in Sekunde 38 der ersten Runde, der den Kampf sofort beendet. Die KO/TKO-Rate von 32,8 Prozent in 2025 bedeutet, dass fast jeder dritte Kampf durch ein Ereignis entschieden wird, das kein Modell vorhersagen kann.
Ein weiteres Limit: Die Datenmenge. Die UFC produziert rund 43 Events pro Jahr mit 350 bis 500 Kämpfen – das klingt nach viel, ist aber für statistische Modelle eine vergleichsweise kleine Stichprobe. In der NFL werden tausende Spiele pro Saison gespielt, im Tennis zehntausende Matches. Die geringe Datenmenge im MMA begrenzt die Modellkomplexität und macht jede einzelne Variable anfällig für statistische Schwankungen.
Ein eigenes UFC-Prognosemodell aufbauen: die ersten Schritte
Du brauchst keinen Informatik-Abschluss, um ein funktionierendes UFC-Vorhersagemodell zu bauen. Mein erstes brauchbares Modell habe ich in einer Tabellenkalkulation erstellt, und es hat funktioniert.
Schritt eins: Sammle die Grunddaten. UFCStats.com liefert alles kostenlos: Significant Strikes pro Minute, Takedown Accuracy, Takedown Defense, Kontrollzeit. Für jeden Kämpfer die letzten fünf Fights – mehr brauchst du am Anfang nicht.
Schritt zwei: Definiere deine Variablen. Ich nutze vier Kernvariablen: die Differenz bei Significant Strikes pro Minute, die Differenz bei Takedown Accuracy, die Differenz bei Takedown Defense und den Altersunterschied. Jede Variable wird als Differenz zwischen Kämpfer A und Kämpfer B berechnet. Von den 551 Kämpfen 2025 endeten 49,2 Prozent per Decision – das bedeutet, dass Kontrollmetriken wie Takedown-Dominanz über die Hälfte der Kampfentscheidungen beeinflussen.
Schritt drei: Teste dein Modell an vergangenen Events. Nimm die letzten drei UFC-Events, wende dein Modell an und vergleiche die Vorhersagen mit den tatsächlichen Ergebnissen. Wenn du über 55 Prozent liegst, hast du eine brauchbare Basis. Wenn nicht, überprüfe deine Variablen.
Schritt vier: Kalibriere kontinuierlich. Dein Modell wird besser, je mehr Daten du sammelst und je ehrlicher du mit seinen Schwächen umgehst. Führe Buch über jede Vorhersage und jeden Fehler – die Fehler sind wertvoller als die Treffer, weil sie dir zeigen, wo dein Modell versagt. Die UFC Wettstrategie bietet den konzeptionellen Rahmen, in den sich ein Vorhersagemodell einbetten lässt.
Häufige Fragen zu UFC Vorhersagemodellen
Wie genau sind UFC Vorhersagemodelle?
Datenbasierte Modelle erreichen eine Vorhersagegenauigkeit von 60 bis 70 Prozent. Die obere Grenze von 70 Prozent wird nur von gut kalibrierten Machine-Learning-Modellen mit mehreren Variablen erreicht. Ein einfaches Elo-Rating-System liegt typischerweise bei 58 bis 62 Prozent. Zum Vergleich: Zufälliges Raten ergäbe bei Zweikämpfen 50 Prozent.
Welche Daten fließen in ein UFC-Prognosemodell ein?
Die wichtigsten Eingabevariablen sind Significant Strikes pro Minute, Takedown Accuracy, Takedown Defense, Kontrollzeit, Altersunterschied und Reichweitendifferenz. Fortgeschrittene Modelle berücksichtigen zusätzlich die Division, die Kampfhistorie der letzten drei bis fünf Fights und die Art der vorherigen Siege oder Niederlagen.
Modelle als Werkzeug – nicht als Orakel
Ein Vorhersagemodell mit 65 Prozent Genauigkeit ist kein Gewinngarant. Es ist ein Werkzeug, das dich vor emotionalen Fehlentscheidungen schützt und dir hilft, Value in den Quoten zu finden. Wenn dein Modell sagt, ein Kämpfer gewinnt mit 60 Prozent Wahrscheinlichkeit, und die Quote impliziert nur 45 Prozent, liegt potenziell Value vor – unabhängig davon, ob dein Bauchgefühl etwas anderes sagt.
Die 30 bis 40 Prozent, die kein Modell vorhersagt, sind der Preis für die Teilnahme am MMA-Wettmarkt. Wer diesen Preis akzeptiert und systematisch die 60 bis 70 Prozent nutzt, die vorhersagbar sind, hat langfristig einen Vorteil, den emotionales Wetten niemals bieten wird.