Datenbasierte UFC-Prognosemodelle: Wie Machine Learning MMA-Wetten verändert

2021 habe ich zum ersten Mal ein eigenes Prognosemodell für UFC-Kämpfe gebaut — ein simples logistisches Regressionsmodell mit fünf Variablen. Die Trefferquote: 59 %. Nicht schlecht, aber nur marginal besser als die 57 %, die man durch blindes Setzen auf den Favoriten erreicht. Drei Jahre und dutzende Iterationen später liegt mein Modell bei 64 %. Diese fünf Prozentpunkte Verbesserung klingen bescheiden, machen aber den Unterschied zwischen Verlust und Profit. Datenbasierte Modelle sind kein Zauberstab — aber sie sind das beste Werkzeug, das ich kenne.

Wie Prognosemodelle für UFC-Kämpfe funktionieren

Im Kern macht ein Prognosemodell nichts anderes als du selbst: Es nimmt Daten über beide Kämpfer, vergleicht sie und gibt eine Gewinnwahrscheinlichkeit aus. Der Unterschied: Es tut dies systematisch, ohne emotionale Verzerrung und mit mehr Datenpunkten, als ein Mensch gleichzeitig verarbeiten kann.

Die gängigsten Ansätze in der MMA-Prognose: Logistische Regression (einfach, interpretierbar, solide Baseline), Random Forest (flexible, nicht-lineare Zusammenhänge), Gradient Boosting (oft die höchste Genauigkeit bei tabellarischen Daten) und neuronale Netze (theoretisch mächtig, in der Praxis bei MMA oft overfitted wegen kleiner Datenmengen). Favoriten gewinnen 72 % ihrer UFC-Kämpfe — das ist die Baseline, die jedes Modell schlagen muss, um einen Mehrwert zu bieten.

Der Workflow: Du sammelst historische Kampfdaten (Statistiken beider Kämpfer, Ergebnisse), teilst sie in Trainings- und Testdaten, trainierst das Modell auf den Trainingsdaten und evaluierst es auf den Testdaten. Ein gutes Modell sagt nicht nur den Sieger vorher, sondern gibt eine kalibrierte Wahrscheinlichkeit an — also eine Zahl, die der tatsächlichen Gewinnrate entspricht. Wenn dein Modell „65 % Gewinnwahrscheinlichkeit“ ausgibt, sollten von allen Kämpfen mit dieser Prognose tatsächlich etwa 65 % vom vorhergesagten Kämpfer gewonnen werden.

Genauigkeit: Was leisten datenbasierte MMA-Modelle?

Die Frage, die jeder zuerst stellt: Wie genau sind solche Modelle? Die ehrliche Antwort: nicht perfekt, aber besser als die meisten menschlichen Analysten.

Öffentlich verfügbare MMA-Prognosemodelle erreichen typischerweise Trefferquoten zwischen 58 und 66 %. Die besten Modelle, die ich in der Community gesehen habe, liegen bei 67-68 % — allerdings auf ausgewählten Testdaten, was die reale Performance überschätzen kann. Zum Vergleich: Die Closing Line der Buchmacher hat eine implizite Trefferquote von etwa 70-72 %, wenn man die Marge herausrechnet. Das bedeutet: Kein öffentlich bekanntes Modell schlägt die Buchmacher konsistent bei der reinen Siegvorhersage.

Ein Punkt, der mich anfangs frustriert hat: Die Genauigkeit schwankt erheblich je nach Gewichtsklasse und Kampftyp. Mein Modell performt im Lightweight mit 67 % Trefferquote, im Heavyweight aber nur mit 55 %. Der Grund: Im Heavyweight entscheidet ein Schlag den Kampf, und kein statistisches Modell kann vorhersagen, welcher Schlag in Sekunde 47 der zweiten Runde trifft. Im Lightweight, wo mehr Kämpfe über die Distanz gehen und die Varianz geringer ist, funktionieren statistische Muster besser. Ich habe daraus gelernt, mein Modell nur für Divisionen einzusetzen, in denen die Trefferquote über der Favoriten-Baseline von 72 % liegt — und für Heavyweight auf qualitative Analyse zu vertrauen.

Aber — und das ist entscheidend — Modelle müssen die Buchmacher nicht bei der Trefferquote schlagen. Sie müssen die Quoten schlagen. Ein Modell, das 63 % der Kämpfe korrekt vorhersagt, aber die Fälle identifiziert, in denen die Quoten falsch liegen, ist profitabel, auch wenn seine Gesamttrefferquote unter der Closing Line liegt. In meiner Erfahrung liegt der Mehrwert nicht in der absoluten Genauigkeit, sondern in der Identifikation von Diskrepanzen zwischen Modell-Output und Buchmacher-Quote.

Schlüsselvariablen für UFC-Prognosen

Nach drei Jahren Modellarbeit habe ich die wichtigsten Variablen identifiziert — und einige überraschende Erkenntnisse gewonnen.

Die stärksten Prädiktoren: Elo-Rating (ein dynamisches Ratingsystem, das die Gegnerstärke berücksichtigt), Takedown-Defense, Significant Strike Accuracy und Kampferfahrung (gemessen in UFC-Fights, nicht in Gesamtkämpfen). Southpaw-vs-Orthodox-Konstellation ist ebenfalls signifikant — Southpaw-Matchups enden 18 % häufiger innerhalb der regulären Distanz, was für Über/Unter-Prognosen relevant ist.

Überraschend schwache Prädiktoren: Reach-Differenz (kaum signifikant), Win-Loss-Record (zu stark vom Gegnerniveau beeinflusst) und Trainingscamp-Standort (zu wenig systematische Daten). Viele Anfänger-Modelle integrieren diese Variablen und verschlechtern damit ihre Performance, weil sie Rauschen statt Signal einfangen.

Eine Variable, die ich manuell erhebe und die kein öffentliches Modell berücksichtigt: Kampfstil-Interaktion. Die bloßen Statistiken eines Strikers sagen dir nicht, wie er gegen einen spezifischen Wrestler-Typ performt. Mein Modell enthält eine Interaktionsvariable, die den Stil beider Kämpfer codiert und mit historischen Ergebnissen ähnlicher Stilkombinationen vergleicht. Diese Variable allein hat meinen CLV um 0,8 Prozentpunkte verbessert.

Grenzen und Fallstricke automatisierter Modelle

Die größte Grenze: MMA hat weniger Datenpunkte als jeder andere Mainstream-Sport. Ein NFL-Quarterback hat hunderte Spiele in seiner Karriere; ein UFC-Kämpfer hat vielleicht 15-20 Fights, davon 8-12 in der UFC. Die statistische Basis ist dünn, was jedes Modell anfällig für Overfitting macht — es lernt die Vergangenheit auswendig, statt allgemeine Muster zu erkennen.

Zweitens: Modelle erfassen keine qualitativen Informationen. Ein Fighter, der sein Camp gewechselt hat, eine neue Technik trainiert oder privat Probleme hat, taucht in den Statistiken nicht auf. In meiner Praxis nutze ich das Modell als Baseline und ergänze es durch qualitative Analyse — eine Kombination, die konsistent bessere Ergebnisse liefert als jeder der beiden Ansätze allein.

Ein praktischer Tipp für alle, die ein eigenes Modell bauen wollen: Starte einfach. Mein erstes Modell hatte fünf Variablen und eine logistische Regression — kein Deep Learning, kein Feature Engineering, kein hyperparameter Tuning. Es hat trotzdem einen positiven CLV geliefert, weil selbst ein simples Modell konsistenter ist als menschliche Intuition. Die Versuchung, sofort das komplexeste Modell zu bauen, ist groß, aber Komplexität ohne ausreichende Daten führt zu Overfitting — und Overfitting ist der schnellste Weg, einem Modell zu vertrauen, das in der Realität nicht funktioniert.

Drittens: Das MMA-Meta verändert sich. Vor fünf Jahren dominierte Wrestling den Sport; heute sind die Takedown-Defense-Werte ligaweit gestiegen, was die Wettbewerbslandschaft verschoben hat. Ein Modell, das auf Daten von 2019-2022 trainiert wurde, ist 2026 weniger relevant, weil die zugrundeliegenden Muster sich verändert haben. Ich trainiere mein Modell deshalb mit einem rollierenden Fenster von drei Jahren neu — das opfert etwas historische Tiefe für mehr aktuelle Relevanz.

Der wichtigste Fallstrick: Modellvertrauen. Wer ein Modell baut und positive Ergebnisse sieht, neigt dazu, ihm blind zu vertrauen — auch wenn die einzelne Prognose fragwürdig ist. Mein Modell gibt für jeden Kampf eine Konfidenz aus, und ich wette nur auf Kämpfe, bei denen die Modell-Konfidenz über 60 % liegt und meine qualitative Analyse die Richtung bestätigt. Diese Doppelfilterung eliminiert die Fälle, in denen das Modell aus den falschen Gründen richtig liegt — und schützt meine Gesamtstrategie vor systematischen Fehlern.