Statistiken für Squash-Wetten nutzen — Datenquellen, Metriken und Modelle
Available in US
Statistiken im Squash — viel besser als ihr Ruf
Lange Zeit galt Squash als Sportart ohne verwertbare Daten. “Da gibt es doch nichts, womit man arbeiten kann” — diesen Satz habe ich von Wettfreunden gehört, die sonst jeden Fußball-xG und jeden Tennis-Aufschlagsprozentsatz kennen. Und vor fünf Jahren hatten sie recht. Die PSA veröffentlichte Ergebnisse, aber keine detaillierten Match-Statistiken. Heute sieht das anders aus. Die PSA hat Partnerschaften mit Datenanbietern geschlossen, und für Matches der oberen Turnierkategorien sind mittlerweile detaillierte Statistiken verfügbar — von Gewinnschlagquoten über Rally-Länge bis hin zu Fehlerprofilen. Die Datenlage ist nicht perfekt, aber sie ist gut genug, um daraus einen Wettvorteil zu bauen.
Die wichtigsten Metriken für Squash-Wetter
Nicht jede verfügbare Statistik ist für Wetten relevant. Manche Zahlen sehen beeindruckend aus, helfen aber nicht bei der Vorhersage. Aus meiner Erfahrung sind fünf Metriken die tragenden Säulen einer datenbasierten Squash-Wettanalyse.
Die erste und wichtigste Metrik ist die Gewinnschlagquote — der Prozentsatz der Punkte, die ein Spieler durch eigene Gewinnschläge erzielt hat, im Verhältnis zu den Gesamtpunkten. Ein Spieler mit einer hohen Gewinnschlagquote beendet Rallies aktiv, statt darauf zu warten, dass der Gegner Fehler macht. Das korreliert stark mit dem Spielertyp: Attacker haben Quoten über 35 Prozent, Grinder liegen bei 15 bis 25 Prozent. Die Veränderung dieser Quote über die Saison ist aussagekräftiger als der absolute Wert — ein Grinder, dessen Gewinnschlagquote plötzlich steigt, hat sein Spiel erweitert und wird möglicherweise vom Markt unterschätzt.
Die zweite Metrik sind unerzwungene Fehler pro Satz. Im Squash ist ein unerzwungener Fehler ein Schlag, der ohne Drucksituation ins Tin oder ins Aus geht. Die Fehlerquote ist der beste Indikator für die aktuelle Konzentration und Nervenstärke eines Spielers. Ein Spieler mit einer durchschnittlichen Fehlerquote von 4 pro Satz, der in seinen letzten Matches auf 7 gestiegen ist, hat ein Problem — und dieses Problem wird in den Quoten selten abgebildet.
Die dritte Metrik ist die durchschnittliche Rally-Länge. Diese Zahl sagt viel über die Spielweise und die physische Belastung aus. Ein Durchschnitt von 8 Schlägen pro Rally deutet auf ein schnelles, aggressives Spiel hin. Ein Durchschnitt von 15 oder mehr Schlägen ist ein Zeichen für einen physischen Kampf, bei dem Ausdauer den Ausschlag geben wird. Für Totals-Wetten und Satzzahl-Wetten ist die Rally-Länge entscheidend, weil sie direkt mit der Matchdauer und der Gesamtpunktzahl korreliert.
Viertens: Die Performance bei engem Spielstand. Bei der PSA werden Punkte bei den Ständen 9:9, 10:9, 10:10 und darüber hinaus gesondert erfasst. Manche Spieler haben in diesen Situationen eine Gewinnquote von über 60 Prozent — sie sind Clutch-Spieler, die unter Druck aufdrehen. Andere fallen auf unter 40 Prozent. Diese Differenz von 20 Prozentpunkten in Drucksituationen ist für die Vorhersage enger Sätze und knapper Matches unverzichtbar.
Fünftens: Der erste Satz als Prädiktor. Meine eigene Analyse der letzten drei PSA-Saisons zeigt, dass der Gewinner des ersten Satzes das Match in 72 Prozent der Fälle gewinnt. Aber dieser Wert variiert stark nach Spielertyp: Bei Attackern liegt er bei 80 Prozent, bei Grindern bei nur 62 Prozent. Grinder verlieren den ersten Satz häufiger und kommen trotzdem zurück. Diese Differenz ist für Live-Wetten nach dem ersten Satz extrem relevant.
Datenquellen — wo die Zahlen herkommen
Die PSA-Website selbst bietet grundlegende Ergebnisse und Ranglisten, aber die detaillierten Match-Statistiken sind nicht immer frei zugänglich. Für die Saison 2025/26 sind bei den Diamond- und Platinum-Events umfangreiche Statistiken verfügbar, die über die PSA-Plattform abgerufen werden können. Bei Gold-Events und darunter wird die Datenlage dünner.
Ich ergänze die offiziellen Daten durch eigenes Tracking. Bei Matches, die ich live verfolge, notiere ich Rally-Längen, Fehlermuster und Bewegungsqualität in einer Tabelle. Das ist zeitaufwändig, aber es gibt mir Daten, die sonst nirgendwo verfügbar sind — insbesondere für kleinere Turniere, bei denen die offiziellen Statistiken fehlen. Über drei Jahre habe ich so eine eigene Datenbank mit über 500 analysierten Matches aufgebaut. Das ist mein Wettbewerbsvorteil, und er lässt sich nicht kaufen — nur erarbeiten.
Neben der PSA gibt es weitere Quellen, die die meisten Wetter nicht auf dem Schirm haben. Die Squash-Nationalverbände veröffentlichen Ergebnisse aus nationalen Ligen und Meisterschaften — Daten, die für die Bewertung von Spielern unterhalb der Top 30 wertvoll sind. Ein Spieler, der seine nationale Liga dominiert, aber auf der PSA Tour nur solide Ergebnisse liefert, hat möglicherweise ein Formhoch, das die PSA-Statistiken noch nicht widerspiegeln. Diese zeitliche Verzögerung zwischen nationaler Form und PSA-Ergebnissen ist ein Informationsvorteil, den wenige Wetter nutzen. Außerdem lohnt sich ein Blick auf Social Media und Trainingsvideos — wenn ein Spieler plötzlich neue Schlagvarianten zeigt oder sein Bewegungsmuster verändert hat, dauert es oft Wochen, bis sich das in den offiziellen Statistiken niederschlägt.
Ein einfaches Modell, das funktioniert
Mein Wettmodell für Squash ist bewusst simpel. Es nimmt drei Inputs: das PSA-Ranking beider Spieler als Basis-Wahrscheinlichkeit, die Formkurve der letzten sechs Wochen als Korrekturfaktor und die Head-to-Head-Bilanz als Match-spezifischen Aufschlag. Aus diesen drei Inputs berechne ich eine geschätzte Gewinnwahrscheinlichkeit und vergleiche sie mit der besten verfügbaren Quote. Wenn meine geschätzte Wahrscheinlichkeit mindestens 5 Prozentpunkte über der impliziten Wahrscheinlichkeit der Quote liegt, ist das eine Wette.
Der Schlüssel ist nicht die Komplexität des Modells, sondern die Qualität der Inputs. Ein simples Modell mit guten Daten schlägt ein komplexes Modell mit schlechten Daten — das gilt für jede Sportart, aber im Squash besonders, weil die verfügbaren Daten begrenzt sind. Wer versucht, ein Machine-Learning-Modell auf Squash-Daten zu trainieren, wird an der Stichprobengröße scheitern. Ein Spieler hat 40 bis 60 Matches pro Saison — das reicht nicht für statistische Signifikanz in komplexen Modellen. Das einfache Modell ist im Squash das bessere Modell.
Ein Beispiel aus der Praxis: Mein Modell identifizierte in der letzten Saison 47 Value-Wetten mit einer geschätzten Überwahrscheinlichkeit von mindestens 5 Prozentpunkten. Die Trefferquote lag bei 58 Prozent — nicht spektakulär, aber bei durchschnittlichen Quoten von 2.30 hochprofitabel. Die meisten dieser Value-Wetten kamen in zwei Kategorien: Spieler, die aus einer Verletzungspause zurückkehrten und zu kurz bepreist wurden, und Grinder, die nach einem Satzrückstand als Underdogs zu hoch bepreist waren. Kein Machine-Learning nötig — nur ein einfaches Modell, solide Daten und die Spieleranalyse als Kontext für das, was die Zahlen nicht erfassen können.
Welche Statistiken sind für Squash-Wetten am wichtigsten?
Die fünf wichtigsten Metriken sind: Gewinnschlagquote, unerzwungene Fehler pro Satz, durchschnittliche Rally-Länge, Performance bei engem Spielstand und die Gewinnrate nach dem ersten Satz. Die Veränderung dieser Werte über die Saison ist oft aussagekräftiger als die absoluten Zahlen.
Wo finde ich Statistiken für Squash-Wetten?
Die PSA-Website bietet bei Diamond- und Platinum-Events detaillierte Match-Statistiken. Für kleinere Turniere ist die Datenlage dünner, und eigenes Tracking ist der beste Weg, um verwertbare Daten zu sammeln. Grundlegende Ergebnisse und Ranglisten sind auf der PSA-Plattform frei zugänglich.
Geschrieben von der Redaktion „Squash Wetten”.
