Value betting met Expected Goals: een wiskundig raamwerk voor Ligue 1

Redactie «Wedden op Ligue 1» juni 8, 2026 Leestijd: 22 min

Wat value betting is en wat niet

De wereldwijde sportindustrie was in 2023 een markt van 480 miljard dollar, op weg naar 629,81 miljard tegen 2028, en de wedsector alleen al draaide 1,41 miljard. Met die getallen in het achterhoofd is het bijna grappig hoe weinig wedders eigenlijk begrijpen wat ze met hun geld doen. De meeste mensen die “value betting” zeggen, bedoelen “tipster volgen”. Dat is iets compleet anders.

Value betting is een wiskundige discipline. Je plaatst een bet uitsluitend wanneer jouw inschatting van de werkelijke kans hoger ligt dan de impliciete kans van de bookmaker. Niet vaker, niet “als het een goeie wedstrijd is”, niet “als ik een goed gevoel heb”. Uitsluitend wanneer de wiskunde aangeeft dat de verwachte waarde positief is. Iedereen die je iets anders vertelt, verkoopt iets.

Expected goals — xG — is in de afgelopen vijf jaar het meest praktische gegeven geworden voor zelf-modelvorming. xG meet niet wie wint, maar hoe waarschijnlijk een geboden schot een doelpunt is. Optellen geeft een verwacht doelpuntentotaal per ploeg per wedstrijd. Die expectations corresponderen op de lange termijn met werkelijke uitkomsten — niet perfect, maar voldoende dat ze in de hand-en-pen-toolkit van elke serieuze wedder thuishoren.

Dit stuk legt drie dingen uit: wat xG precies meet en waar de valkuilen zitten, hoe je xG-data koppelt aan een value-formule die voor Ligue 1 werkt, en welke discipline rond bankroll en variantie nodig is om er over een seizoen rendement uit te halen. De academische onderbouwing komt uit een recent Bundesliga-onderzoek (waarover later meer) en mijn 11 jaar praktijkervaring met Franse competities.

Eén waarschuwing vooraf. Value betting is gegarandeerd minder leuk dan recreatief wedden. Je gaat veel bets niet plaatsen omdat je vooraf hebt uitgerekend dat de prijs niet klopt. Je gaat winsten missen. Je gaat ploegen waar je een hekel aan hebt zien winnen tegen ploegen die je steunt — en dat kost je geld omdat de prijs goed was. Wie van de actie houdt, moet niet aan value betting beginnen. Wie van de wiskunde houdt — en bereid is wedden als een trage, vervelende discipline te zien — vindt hier wat hij zoekt.

Expected goals als wiskundige kansschatter

Een vraag die ik graag stel aan beginners: stel, een thuisploeg schoot 14 keer en scoorde 0 keer, de uitploeg schoot 4 keer en scoorde 3 keer. Wie speelde de betere wedstrijd? Het traditionele antwoord is “de uitploeg, want zij wonnen”. Het analytisch antwoord is “wacht eens, wat voor schoten?” — en daar is xG voor.

xG kent elk schot een kansscore tussen 0 en 1. Een schot van 6 meter recht voor het doel zonder verdediger heeft een xG-waarde van rond 0,70 — 70% kans op een doelpunt. Een schot van 35 meter onder druk heeft een xG-waarde rond 0,02 — 2%. Het Stats Perform / Opta-team verwoordt het zo: xG measures chance quality, letting betting operators price markets by actual probabilities rather than guesswork. Over time, teams with higher xG tend to score more, allowing for smarter analysis and betting.

De waarde per schot komt voort uit een statistisch model dat is getraind op honderdduizenden schoten uit verschillende competities. De ingevoerde gegevens zijn schotpositie (afstand, hoek), lichaamsdeel (voet, hoofd), spelsituatie (open spel, vrije trap, hoekschop), defensieve druk, en vaak nog passing-context (was het na een dribbel, een doorsteekpass of een terugkaats?). De uitkomst is een waarschijnlijkheid die je optelt tot een ploeg-xG per wedstrijd.

Voor wedmarkten is xG vooral nuttig omdat het de variantie van eindstanden uit individuele wedstrijden filtert. Een 1-0 zegt weinig — het kan geluk zijn, het kan dominantie zijn. Een 0,3 versus 2,1 xG zegt dat de winnende ploeg gewoon veel slechter speelde. Over 10 wedstrijden met dezelfde xG-cijfers zou de gemiddelde uitkomst dichter bij 2-0 voor de andere ploeg liggen.

Wat xG niet meet: tactische context, scheidsrechtersinvloed, blessures die tijdens de wedstrijd ontstaan en eventuele setplay-specialismen. Een hoekschoptak met een sterke spits die elke wedstrijd 0,3 xG-doelpunten uit corner-situaties haalt, vertekent het beeld als je niet weet wie de hoekschoppen kreeg en wie ze nam. Voor Ligue 1 is dat een specifiek punt — sommige ploegen zijn extreem corner-afhankelijk.

Een tweede beperking: xG werkt met populatie-gemiddelden. Een schot vanuit een specifieke positie krijgt de gemiddelde xG-waarde, niet de specifieke waarde voor de schutter die het schoot. Mbappé op 0,12 xG converteerde historisch hoger dan 0,12 — hij had bovengemiddelde afronding. Voor topspelers loont het om hun “xG-overprestatie” als correctiefactor in te bouwen. Voor de meerderheid van Ligue 1-spelers wijkt de eigen conversie weinig af van het modelgemiddelde, en is xG een eerlijke schatter.

Een derde nuance, en de belangrijkste voor wedders: xG is een ruw gegeven, niet een direct voorspellend instrument. Een xG-difference van +1 over één wedstrijd zegt weinig over de volgende wedstrijd. Over een rolling-gemiddelde van 6 tot 10 wedstrijden krijg je een veel betrouwbaarder signaal — daar zit het echte voorspellende vermogen.

xG toepassen op Ligue 1: data, providers en valkuilen

De eerste keer dat ik een xG-model toepaste op een Ligue 1-seizoen, kwam ik tot een conclusie die mij wakker hield: de markt prijst PSG’s xG-overschatting structureel niet. PSG’s xG-uitkomst ligt al jaren in absolute zin hoog, maar in verhouding tot de Ligue 1-concurrentie zit er meer ruis dan in andere competities. Dat zijn de details waar amateurmodellen aan voorbijgaan.

De praktische beschikbaarheid van xG-data voor Ligue 1 is in 2025 redelijk goed, maar niet perfect. Voor wie zonder budget aan de slag wil, geven enkele open-data-bronnen ruwe xG-totalen per wedstrijd. Voor wie diepe data wil (per schot, met locatie en pass-context), zijn de commerciële providers — Stats Perform, Opta en hun concurrenten — noodzakelijk. De gangbare publieke pagina’s geven xG per ploeg per wedstrijd, wat voor de meeste value-toepassingen volstaat.

De Ligue 1-context heeft eigenaardigheden. Met 2,84 doelpunten per wedstrijd in 2025/26 ligt het competitiegemiddelde onder het historische niveau van 2,96. Voor je xG-model betekent het dat je calibratie moet aanpassen — gebruik niet zonder meer een model dat op Premier League- of Bundesliga-data is getraind. Een Bundesliga-getraind xG-model overprijst Ligue 1-doelpuntentotalen typisch met 0,15 tot 0,25 per wedstrijd, omdat de Bundesliga structureel iets hoger scorende ploegen heeft en een andere defensieve verdeling kent.

PSG’s seizoenscijfers illustreren een ander probleem. Met een gemiddelde van 2,3 doelpunten per wedstrijd en 70 doelpunten in de stand-tot-nu zit PSG ruim boven het competitiegemiddelde. Hun xG-creatie ligt ook hoog, maar zelden zo hoog als hun werkelijke doelpunten. Dat suggereert overprestatie tegenover het model — geluk, klassespitsen, of een combinatie. Voor wedmarkten is dit een waarschuwing: pure xG-modellen zullen PSG’s volgende wedstrijden licht onderschatten. Wie zonder die correctie modelleert, vindt geen value op PSG en miskent waarom de bookmaker hun coëfficiënten zo kort prijst.

Aan de andere kant: Marseille kwam in seizoen 2025/26 uit op 2,04 doelpunten per wedstrijd. Hun xG ligt structureel iets boven 2,04 — ze creëren meer dan ze afronden. Dat suggereert onder-prestatie, en dus dat hun toekomstige doelpuntentotalen iets hoger zullen liggen dan hun huidige stand suggereert. Voor Over/Under-markten bij Marseille-wedstrijden is dit een edge die de markt niet altijd direct verwerkt.

Een derde valkuil specifiek voor Ligue 1: tactische diversiteit. Een midweekse wedstrijd tussen twee verdedigende ploegen — bijvoorbeeld een degradatiekandidaat tegen een middenmoot zonder Europese ambitie — heeft een xG-totaal dat dramatisch onder het competitiegemiddelde ligt. Soms zelfs 1,4 of 1,5 voor de hele wedstrijd. Dat is informatie die je moet inbouwen, niet wegmiddelen.

Mijn praktische werkwijze: ik gebruik rolling 8-wedstrijden-xG voor offensieve en defensieve cijfers per ploeg. Daarop pas ik een thuis-uit-correctie toe (typisch 10–15% bonus thuis). Voor de specifieke wedstrijd neem ik het gewogen gemiddelde van de aanvallende xG van de ene ploeg en de defensieve xG die de andere toestaat. Dat geeft een verwacht doelpuntentotaal per ploeg. Voor het doorrekenen naar markten — 1X2, Over/Under, BTTS — gebruik ik een Poisson-verdeling, die ik in het stuk over het Poisson-model voor voetbalwedden uitgebreider behandel.

De value-formule: eigen kans vs impliciete kans

Hier komt alle theorie samen in één formule die ik aanraad elke ernstige wedder uit het hoofd te kennen: Expected Value (EV) = (eigen kans × winst per inzet) − (kans op verlies × inzet). Daaruit volgt: een bet heeft positieve EV wanneer eigen kans × decimale odds groter is dan 1. Klinkt eenvoudig. Het is in de praktijk de hele wedwiskunde.

Stap voor stap. Stel je hebt een Ligue 1-wedstrijd waar je via je xG-model hebt gerekend dat de thuisploeg 60% kans heeft om te winnen. De bookmaker geeft 2.10 voor die uitkomst. Wat is de impliciete kans van de bookmaker? 1 / 2.10 = 47,6%. Wat is jouw verwachte waarde per ingezette euro? 0,60 × 2.10 − 1 = 1,26 − 1 = 0,26 euro winst per ingezette euro. Dat is een EV van +26% — een uitzonderlijk grote edge die je in de praktijk zelden tegenkomt.

Een realistischer voorbeeld. Je rekent een ploeg op 35% kans om te winnen. De odds zijn 3.20. Impliciete bookmakerkans: 1 / 3.20 = 31,25%. Verwachte waarde per ingezette euro: 0,35 × 3.20 − 1 = 1,12 − 1 = 0,12 euro winst per euro. Een EV van +12%. Dat is een grote, maar nog steeds realistische edge. Bij echt scherpe markten zit de gemiddelde edge die je vindt eerder rond 3% tot 7%.

Een belangrijke nuance: een edge boven 0% in je model betekent niet automatisch dat de bet plaatsen verstandig is. Je model heeft ook een onzekerheidsmarge. Als je rekent dat een ploeg 35% kans heeft maar erkent dat je inschatting tussen 30% en 40% kan zitten, dan moet je een veiligheidsmarge inbouwen. Mijn vuistregel: een bet plaatsen vereist een edge van minimaal 5% — onder die drempel is de winst te kwetsbaar voor model-error om te overleven over een groot aantal bets.

De volgende stap: vergelijken met meerdere bookmakers. Het verschil tussen 3.20 en 3.40 op dezelfde wed — voor exact dezelfde uitkomst, bij twee verschillende KSA-bookmakers — verandert je EV substantieel. 0,35 × 3.40 − 1 = 1,19 − 1 = 0,19. Een EV van +19% tegenover +12%. Dat is waarom line shoppen zo cruciaal is. Hetzelfde idee bij twee bookmakers kan het verschil zijn tussen “marginale value” en “duidelijke value”.

Een fout die ik te vaak heb gemaakt: vergeten te updaten. Je rekent op zondagochtend dat een ploeg 40% kans heeft, ziet 2.80 in de markt en plaatst je bet. Op zondagmiddag valt de spil uit in de warming-up. De juiste reactie is niet hopen dat het meevalt — het is je inschatting bijstellen en, als de markt nog niet heeft gereageerd, eventueel een tweede bet aan de overkant overwegen om de positie te neutraliseren. xG-gebaseerde modellen zijn statisch; de werkelijke wedstrijd is dynamisch tot het laatste moment voor de aftrap.

De laatste cruciale stap: alleen plaatsen wat je werkelijk hebt uitgerekend. Het is verleidelijk om “ook” een 1X2-bet te plaatsen op een wedstrijd waar je alleen je Over/Under-analyse hebt gedaan. Niet doen. Elke markt vraagt zijn eigen kans-inschatting. Als je voor 1X2 niet expliciet hebt uitgerekend dat de impliciete kans onder jouw inschatting zit, weet je niet of het value is. Niet rekenen betekent niet weten — en niet weten kost geld over een seizoen.

Wat het Wilkens-onderzoek zegt over xG-rendement

In februari verscheen er een artikel dat in mijn vakgebied vrij snel gretig werd doorgegeven: Sascha Wilkens’ onderzoek “Can simple models predict football — and beat the odds? Lessons from the German Bundesliga”, gepubliceerd in het Journal of Sports Analytics. De kern: een eenvoudig xG-gebaseerd voorspellingsmodel toegepast op de Bundesliga in seizoenen 2017/18 tot 2022/23 leverde een ROI van ongeveer 10% bij gemiddelde marktoddsen en bijna 15% bij beste beschikbare odds.

Laat dat even bezinken. 10% rendement over een groot aantal bets met een eenvoudig model. 15% wanneer je systematisch line shopte. Dat zijn cijfers die elke financieel adviseur jaloers maakt — als ze representatief zijn. De nuance zit in dat laatste: Wilkens werkte met een specifieke competitie (Bundesliga), specifieke seizoenen (2017–2023), en hij erkende zelf dat de marktcondities continu veranderen.

Wilkens schreef letterlijk: While bookmaker odds tend to exhibit superior statistical calibration, the xG-based model captures certain signals not fully reflected in market prices. De technische lezing: ook al zijn bookmakers gemiddeld accurater dan een eenvoudig xG-model, er zit informatie in xG-data die de markt niet volledig in de prijs heeft verwerkt. Voor wedders die geduldig zijn, levert dat in specifieke situaties een edge op.

Voor Ligue 1 is de directe vraag: werkt het ook hier? Mijn antwoord, op basis van mijn eigen vergelijkbare model dat ik de afgelopen vier seizoenen heb bijgehouden, is “ja, maar met kleinere edges en hogere variantie”. De Ligue 1-markten zijn iets minder liquid dan de Bundesliga, wat in theorie meer inefficiëntie betekent. Maar de Ligue 1 heeft ook een grotere variantie in xG-overprestatie aan de top — PSG dat onverklaarbaar veel doelpunten boven xG haalt, bijvoorbeeld — wat een eenvoudig model in het nadeel werkt.

Mijn praktische ROI over die vier seizoenen ligt rond 4–7% in seizoenen waarin ik discipline behoud, en negatief in seizoenen waarin ik te veel bets plaats. Dat is een belangrijke les uit Wilkens en uit eigen ervaring: het model is niet de moeilijkste stap. Discipline is het. Een goed model met slechte stake-discipline verliest, een gemiddeld model met excellente discipline wint marginaal.

Wat de Wilkens-resultaten ook laten zien: het effect van line shoppen is enorm. Het verschil tussen 10% ROI bij gemiddelde marktquotes en 15% bij beste quotes is 50% extra rendement door alleen maar systematisch de hoogste odds te zoeken. Voor zoekers wiens model werkelijk solide is, levert line shoppen vaak meer rendement op dan modelverbetering. Dat is een hard, oneerlijk feit.

Eén voorbehoud bij Wilkens dat hij zelf benoemt: het model werkte op historische data. De Bundesliga-markten waren in 2018 niet hetzelfde als in 2023. Algoritmes van bookmakers zijn beter geworden. De “edge” die in 2017 nog 12% was, kan in 2025 nog maar 4% zijn. Voor Ligue 1 zit de huidige edge in mijn ervaring rond 3% tot 6% — niet 10%. Maar 3% tot 6% rendement over een seizoen met 200 plus bets is nog altijd substantieel — vooral met behoud van bankroll-discipline.

Bankroll en staking: van flat stake naar Kelly

Een vriend van mij heeft in 2019 een goede maand gehad. Echt goed — 22% rendement over 60 bets. Hij verdubbelde zijn inzetten. Vier weken later had hij 80% van zijn bankroll weg. Niet door slechte bets, maar door slechte staking. De cruellste valkuil in wedden: een goed model met slechte stake-discipline verliest sneller dan een slecht model met goede stake-discipline.

Staking is de wiskunde van “hoeveel zet ik per bet in?”. De meest basale benadering is flat staking: elke bet krijgt hetzelfde percentage van je bankroll, ongeacht de odds of de edge. Typisch 1% tot 2% per bet. Dat is conservatief, dat is voorspelbaar, en dat is voor 90% van de wedders verreweg het beste regime. Het beschermt tegen oververtrouwen en het maakt boekhouding eenvoudig.

Het probleem met flat staking: het is wiskundig suboptimaal. Een bet met een edge van 10% verdient een grotere inzet dan een bet met een edge van 3%. Daarvoor bestaat het Kelly-criterium, een formule uit de jaren 50 die zegt: zet f = (bp − q) / b in, waarbij b de decimale odds min 1 is, p je geschatte werkelijke kans, en q = 1 − p.

Een concreet voorbeeld. Stel decimale odds 2.20, jouw geschatte kans 50%. Dan b = 1.20, p = 0.50, q = 0.50. Kelly = (1.20 × 0.50 − 0.50) / 1.20 = (0.60 − 0.50) / 1.20 = 0.10 / 1.20 = 0.083. Volgens Kelly moet je 8,3% van je bankroll inzetten op deze bet. Dat is veel. Bij volledige Kelly zou een typische bankroll van 1.000 euro betekenen dat je 83 euro op één bet inzet.

Dat is precies waarom volledige Kelly voor recreatieve wedders dramatisch is. Modelfout in je eigen kans-inschatting wordt versterkt. Als je 50% rekent maar het werkelijk 45% is, raakt de bankroll-volatiliteit het plafond. De praktische oplossing die ik aanraad: gebruik “fractionele Kelly” — typisch een kwart of een vijfde van Kelly. Bij Kelly = 8,3% gebruik je 2% inzet. Dat behoudt het wiskundige voordeel van grotere inzetten bij grotere edges, maar elimineert het bankroll-risico van overinschatting.

Mijn eigen werkwijze, na 11 jaar bijschaven: ik bepaal voor elke bet de Kelly-fractie en deel die door 4 (kwart-Kelly). Dat betekent in praktijk bets tussen 0,5% en 3% van bankroll. Boven 3% plaats ik nooit, ongeacht wat het model zegt. Onder 0,5% plaats ik niet — de transactiekosten en mentale belasting wegen niet op tegen de winst.

Wat staking absoluut niet is: martingaal-systemen. “Verdubbel je inzet na elke verliesbet, want statistisch moet de winst komen.” Dat klopt voor een oneindige bankroll en geen tafellimieten. Voor ons beide niet — zelfs een streak van zes verliesbets, wat over 50 bets statistisch vaak voorkomt, levert een totale inzet op van 64 keer de eerste inzet. Dat slacht elke bankroll in minder tijd dan ik nodig heb om het uit te leggen. Martingaal verliest gegarandeerd op een lange tijdshorizon. Vermijd het.

Boekhouding is de andere kant van staking. Ik raad iedereen aan een spreadsheet bij te houden met datum, wedstrijd, markt, odds bij plaatsing, beste beschikbare odds, eigen geschatte kans, inzet, uitkomst en Closing Line Value (CLV) — het verschil tussen de odds waarop je plaatste en de slot-odds vlak voor aftrap. CLV is op de lange termijn een betere indicator van je skill dan winst/verlies, omdat het de markt-correctheid van je inschatting meet zonder ruis van individuele uitkomsten.

Variantie: waarom 100 wedden niets bewijst

Het hardste onderdeel van value betting is niet de wiskunde. Het is leren leven met variantie. In mijn eerste twee seizoenen verloor ik geld ondanks (achteraf gezien) een redelijk goed model, gewoon omdat ik niet genoeg bets had geplaatst om de variantie eruit te middelen. Toen ik dat begreep, veranderde mijn hele aanpak.

Variantie is de afwijking van je werkelijke resultaten ten opzichte van je verwachte resultaten. Stel je hebt een edge van 5% en plaatst 100 bets met gemiddelde odds 2.00. Je verwachte rendement is +5% — over de hele set, 5 euro winst per ingezette 100 euro. Maar de standaardafwijking over die 100 bets is enorm. De kans dat je werkelijke resultaat tussen −15% en +25% ligt, is groter dan 60%. Met andere woorden: een hele lange streak van geluk of pech is statistisch normaal, niet uitzonderlijk.

Pas bij 1.000 bets begint de variantie behoorlijk te knijpen. Je verwacht nog steeds +5%, maar de spreiding rond dat gemiddelde wordt veel smaller. Bij 5.000 bets is de spreiding klein genoeg dat je werkelijk kunt zeggen “ik heb een edge” met statistisch zelfvertrouwen. Onder 1.000 bets is alles ruis. Onder 500 bets is het cijfer dat je rapporteert vrijwel betekenisloos.

Voor een wedder die per seizoen 200 plus bets plaatst, betekent dat: je hebt minimaal twee tot drie seizoenen nodig om vast te stellen of je model werkelijk werkt. In die periode kun je tussentijdse periodes van −15% rendement doorgaan, terwijl je model achteraf gezien gewoon goed was. De vraag is niet “presteer ik nu goed?” — die vraag heeft pas een betrouwbaar antwoord na duizenden bets. De vraag is: “vertrouw ik mijn model?”

Wat ik praktisch doe om met variantie om te gaan: ik kijk niet naar mijn cumulatieve P&L op kortere termijn dan 50 bets. Ik kijk wel naar mijn CLV. Als ik consequent betere odds te pakken kreeg dan de slotodds, weet ik dat mijn inschattingen accurater zijn dan de markt — los van of die specifieke wedstrijden zijn gewonnen of verloren. Dat is de enige manier om in een variantie-rijke discipline je hoofd koel te houden.

Een veel onderschat aspect: psychische schade door downswings. Een goed gedocumenteerde streak van 12 verliesbets — wat over 100 bets statistisch normaal voorkomt — kan een wedder doen twijfelen aan zijn hele model. Twijfel leidt tot ingrepen: andere markten, hogere inzetten, andere methoden. Die ingrepen breken je systeem en garanderen verder verlies. Het beste advies dat ik ooit kreeg is: schrijf je regels op voor je begint, en houd je eraan, ongeacht wat de korte termijn doet. De variantie middelt zich uit als je daar tijd voor neemt. Geen variantie is het probleem; ongeduld is het.

Tot slot: realistische verwachtingen. Een echt goede wedder met een werkbaar model haalt over een seizoen rond 3% tot 8% ROI. Wie 20% of meer rapporteert, heeft of een tijdelijke goede streak achter de rug of liegt. De wedders die echt jaar na jaar verdienen, doen dat in single-digit-procenten — maar dan op een grote bankroll en met absurde discipline. Dat is geen sexy verhaal. Het is wel het verhaal dat klopt.

Vragen over value betting en xG

Samengesteld door de redactie van 'Wedden op Ligue 1'.