Logo
Goal Signal

KI-gestützte Spielanalyse

© 2026 Goal Signal

← Zurück zu den Fußball-Tipps von heute
TECHNICAL DOCUMENTATIONv2.1.0

KI-Methodik

Machine-Learning-Ansatz für probabilistische Fußballvorhersagen

Tarsier Vision LTD Research Division • 2026

Zusammenfassung

Diese Dokumentation beschreibt die mathematische Grundlage, die Datenverarbeitungs-Pipeline und die Leistungskennzahlen des Golsinyali-KI-Vorhersagesystems. Das System erzeugt optimierte Vorhersagen aus Wettmarktdaten mithilfe der Bayes'schen Wahrscheinlichkeitstheorie und Ensemble-Lernmethoden.

1. Modellarchitektur

Das System verwendet eine mehrstufige Datenverarbeitungs-Pipeline:

Eingabe
Raw Data
Odds, Stats, H2H
→
Verarbeitung
Feature Eng.
ΔO, EMA, MCI
→
Verarbeitung
ML Model
Ensemble
→
Verarbeitung
Threshold
C ≥ θ
→
Ausgabe
Prediction
MS, O2.5, BTTS
Pipeline: D → F(D) → M(F) → T(M) → P

2. Modellspezifikationen

ModellkennungGolsinyali AI
Versionv2.1
Trainingsdatenfenster24 months
Trainingsdatensatz~120.000 Spiele
Kumulierte Anzahl der Analysen50,000+
Aktualisierungsfrequenz des ModellsWöchentlich

3. Datenquellen und Feature Engineering

AMarktbasierte Merkmale (Market Features)

  • Differenz zwischen Eröffnungs- und Schlussquote (ΔO)
  • Geschwindigkeit der Linienbewegung (dL/dt)
  • Marktkonsens-Index (MCI)
  • Sharp-Money-Indikator

BFormkennzahlen (Performance Features)

  • Exponentiell gleitender Durchschnitt (EMA-5, EMA-10)
  • Expected-Goals-Differenz (xG)
  • Heim-/Auswärtsleistungskoeffizient
  • Goal Difference Momentum (GDM)

CHistorische Merkmale (Historical Features)

  • Datenbank der direkten Duelle
  • Ligaspezifische Leistung
  • Saisonale Leistungsmuster

DKontextuelle Merkmale

  • Heimvorteil
  • Spielplandichte
  • Zeitzonenanpassung

4. Mathematischer Rahmen

Die Berechnung des Konfidenzwerts verwendet eine normalisierte Distanzfunktion:

Formel des Konfidenzwerts
C(O) = 100 × (1 - |O - μ| / σ)
where: O = observed odds, μ = optimal mean, σ = range std

Dabei steht O für den beobachteten Quotenwert, μ für den Mittelwert des optimalen Bereichs und σ für die Standardabweichung des Bereichs.

Auswahlkriterium der Vorhersage
Pactive = (C(O) ≥ θ) ∧ (Omin ≤ O ≤ Omax)
where: θ = 70 (threshold), Omin/Omax = acceptance range

Die Vorhersage wird ausgelöst, wenn der Konfidenzwert den Schwellenwert überschreitet und der Quotenwert innerhalb des akzeptablen Bereichs liegt.

5. Vorhersagetypen und Akzeptanzkriterien

Spielergebnis (1X2)

P(MS) = f(O_home, O_away) where O ∈ [1.40, 2.00]

Die Bestimmung des Favoriten basiert auf dem europäischen Quotensystem

Akzeptanz: 1.40 ≤ O_fav ≤ 2.00

Über 2,5 Tore

P(O2.5) = g(L_ou) where L ∈ [2.5, 3.5]

Die Torerwartung ist an die Over/Under-Linie gekoppelt

Akzeptanz: 2.5 ≤ Line ≤ 3.5

Beide Teams treffen (BTTS)

P(BTTS) = h(O_draw, L_ou) where O_x ≤ 4.0 ∧ L ∈ [2.5, 3.75]

Akzeptanzkriterium mit zwei Bedingungen

Akzeptanz: O_draw ≤ 4.00 ∧ 2.50 ≤ L ≤ 3.75

6. Verifizierte Leistung

Wir veröffentlichen keine feste Trefferquote. Die Trefferquote der ausgewerteten Live-Signale wird aus den Rohdaten berechnet und ist im Block unten sowie auf der Seite zum Live-Track-Record Signal für Signal überprüfbar.

7. Kalibrierung des Konfidenzwerts

Das Modell weist jeder Prognose einen Konfidenzwert zu; diese Werte werden zu Beginn jeder Saison anhand abgeschlossener Spieldaten neu kalibriert. Ziel der Kalibrierung ist, die vorhergesagte Wahrscheinlichkeit der beobachteten Ergebnisverteilung anzunähern; Prognosen mit höherem Wert entstehen unter strengeren Annahmekriterien.

8. Analyse der Merkmalswichtigkeit

Wichtigkeitswerte der Merkmale, berechnet mit der Permutationsmethode:

Odds Differential (ΔO)
28%
Line Movement (dL/dt)
22%
EMA-10 Form
18%
H2H Win Probability
14%
Market Consensus (MCI)
10%
League Position Delta
8%
* Permutation Importance (n=1000 iterations)

9. Methodische Einschränkungen

  • [1]Das Modell berücksichtigt keine Echtzeitereignisse (Verletzungen, Rote Karten, Wetterbedingungen)
  • [2]Vorhersagen sind statistische Wahrscheinlichkeiten; es gibt keine Garantie für ein deterministisches Ergebnis
  • [3]Marktmanipulation und Insiderhandel liegen außerhalb des Betrachtungsbereichs
  • [4]In unterklassigen Ligen kann die Leistung aufgrund unzureichender Daten nachlassen
  • [5]Das Modell erkennt Korrelationen; es zieht keine kausalen Schlüsse

10. Referenzen und Methodik

  • [1]Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal.
  • [2]Štrumbelj, E., & Vračar, P. (2012). Simulating a basketball match with a homogeneous Markov model.
  • [3]Dixon, M. J., & Coles, S. G. (1997). Modelling Association Football Scores. Applied Statistics.
  • [4]Constantinou, A. C., et al. (2012). Profiting from an inefficient association football gambling market.

11. Unternehmensinformationen

Tarsier Vision LTD

UK Company #14733954

Dieses System wird von Tarsier Vision LTD (UK Company #14733954) entwickelt und betrieben.

Revisionsdatum des Dokuments: 19. August 2026
Document Version: v2.1.0 | Generated by Golsinyali Documentation System