Value betting met xG in Ligue 1: van verwachte doelpunten naar edge
Available in US
Wat value betting werkelijk is
Toen ik begin 2024 voor het eerst probeerde te begrijpen wat de term “value betting” eigenlijk inhield, las ik tien verschillende artikelen die allemaal hetzelfde zeiden zonder iets concreets te zeggen: zoek wedstrijden waar de quote hoger is dan de “echte” kans. Daar werd ik geen stap mee verder. Pas toen iemand me liet zien hoe je die “echte” kans daadwerkelijk schat — met expected goals als hoekstenen van de berekening — viel het kwartje. Value betting is geen mystieke kunst maar een rekenmethode met twee variabelen: een quote die je krijgt, en een kansschatting die je zelf maakt.
De formule is brutaal eenvoudig. Stel: jouw kansschatting voor PSG-winst is 75 procent. De marktquote staat op 1,40, wat een impliciete kans van 71,4 procent vertegenwoordigt (1 gedeeld door 1,40). Het verschil tussen jouw 75 procent en de geprijsde 71,4 procent is 3,6 procentpunten edge — als jouw schatting klopt. Vermenigvuldig dit door honderden inzetten en het wordt het verschil tussen een verliesgevend en een winstgevend seizoen.
De moeilijkheid zit niet in de rekenmethode maar in het maken van betrouwbare kansschattingen. Voor wie geen toegang heeft tot betaalde quant-modellen is xG — expected goals — het toegankelijkste fundament om een eigen schatting op te bouwen. Het is niet perfect en het is niet de enige factor, maar het is een meetbare, publiekelijk beschikbare metriek die over een seizoen heen voorspellende kracht heeft.
xG als basis voor kansberekening
Expected goals meet de kwaliteit van schotkansen — niet of een schot gescoord werd, maar wat de kans was dat een gemiddelde speler dat schot zou scoren. Een doelpunt van vijftien meter afstand, zonder verdedigers in de baan, met balcontrole over twee tellen, krijgt een xG-waarde van bijvoorbeeld 0,35. Een snelle treffer vanuit een zes-meter-positie heeft een xG van 0,80. Sommige spelers scoren systematisch boven hun xG (afwerkingskwaliteit), anderen onder.
Voor wedmarkten is xG vooral nuttig omdat het op clubniveau een stabieler beeld geeft van werkelijke prestatie dan pure doelpunten. Een club die in een wedstrijd verloor met 0-1 maar 2,3 xG produceerde tegen 0,7 xG van de tegenstander, presteerde duidelijk beter dan het scorebord suggereert. Over een seizoen heen convergeert het doelpuntensaldo van clubs naar hun xG-saldo — meestal binnen marges van tien tot twintig procent.
Voor Ligue 1 specifiek werken xG-modellen relatief stabiel. De competitie heeft genoeg wedstrijden per seizoen (306 in een 18-clubs-format) om betekenisvolle gemiddelden te produceren, en het algemene doelpuntensaldo van 2,84 per wedstrijd in 2025/26 maakt de markt-spread reëel maar niet extreem. De combinatie maakt Ligue 1 een meer voorspelbare competitie voor xG-gebaseerde modellen dan bijvoorbeeld bekertoernooien met grote talentverschillen.
Een eenvoudig xG-model bouwen
Wie zelf wil beginnen met xG-gebaseerde value betting kan met een spreadsheet en publieke data verder komen dan veel mensen denken. De basis is een rolling-gemiddelde van xG voor en xG tegen, per club, over de laatste tien tot vijftien wedstrijden. Daar maak je per wedstrijd een verwacht doelpuntensaldo van.
Een gestileerd voorbeeld. PSG produceert thuis gemiddeld 2,4 xG en geeft 0,6 xG weg. Tegenstander X produceert uit gemiddeld 0,9 xG en geeft 1,5 xG weg. Voor de specifieke wedstrijd verwacht je een PSG-xG ergens rond (2,4 + 1,5) / 2 = 1,95, en tegenstander-xG rond (0,9 + 0,6) / 2 = 0,75. Doelpuntenverwachtingen zijn dan ongeveer 1,9 voor PSG en 0,75 voor de tegenstander. Met deze waarden voer je een Poisson-distributie uit om kansverdelingen te krijgen voor alle mogelijke uitslagen.
Het werk van Sascha Wilkens, gepubliceerd in een academische studie in 2026, toonde aan dat een eenvoudig xG-gebaseerd voorspellingsmodel op een grote Europese competitie ongeveer 10 procent ROI haalde bij gemiddelde marktquotes en bijna 15 procent bij de beste beschikbare quotes. De studie testte het model op de Bundesliga, maar het principe — xG als voorspellende variabele met meer betekenis dan eindscore — is generaliseerbaar naar Ligue 1. Wilkens vermeldde expliciet dat zo’n simpel model winstgevend was zonder bonus-arbitrage, en dat scherpere quote-selectie het rendement nog verbeterde.
Bij welke wedstrijden xG goed werkt
Niet elke wedstrijd is even goed voorspelbaar met xG. Het model werkt het beste wanneer beide teams een redelijke wedstrijdgeschiedenis hebben binnen de competitie (minimaal tien wedstrijden), wanneer er geen extreme afwijkingen zijn in de selectie (geen massale blessurelijst), en wanneer er geen sterke contextfactoren zijn die buiten het normale patroon vallen (eerste wedstrijd na trainerswisseling, Europees toernooi-effect, derby met emotionele dynamiek).
Voor Ligue 1 betekent dit dat de meeste reguliere wedstrijden vanaf speelronde 10 of 11 redelijk goed door xG voorspelbaar zijn. De eerste tien speelrondes hebben te weinig data om betrouwbaar te modelleren. Aan het einde van het seizoen — wanneer sommige clubs niets meer te verdedigen hebben en anderen wel — corrumperen externe motivatiefactoren het model.
Le Classique tussen PSG en Marseille is een markant voorbeeld waar xG-modellen aanzienlijke tekortkomingen vertonen. Het gemiddelde toeschouwersaantal voor Marseille-PSG in 2024/25 bedroeg 64.696 in het Vélodrome — het hoogste in de competitie. Die wedstrijden zitten emotioneel zo geladen dat normale prestatie-patronen niet altijd doorzetten. Wie blindelings een xG-model toepast op een derby, mist een belangrijke contextlaag. De specifieke wiskunde achter Poisson-distributies en hun gebruik in voetbalvoorspelling is in detail uitgewerkt in een aparte uitwerking van het Poisson-model voor voetbalwedden.
Edge berekenen en inzet bepalen
Wanneer je een betrouwbare kansschatting hebt en een geprijsde quote, is de edge-berekening eenvoudig. Schat-kans minus impliciete-marktkans is je theoretische edge. Een edge van 1 procent is statistisch te klein om betrouwbaar boven variantie uit te komen; een edge van 3 tot 5 procent is realistisch en aantrekkelijk; een edge van meer dan 7 procent moet je achterdochtig maken — vermoedelijk klopt je kansschatting niet of de markt prijst iets in dat jij gemist hebt.
Voor inzet-bepaling gebruiken serieuze value-wedders meestal de Kelly Criterion of een fractionele variant ervan. Volledige Kelly schrijft een inzet voor van (edge / odds-decimal-minus-1) × bankroll. Bij een edge van 5 procent op een quote van 2,00 zou dat 5 procent van je bankroll zijn — een groot bedrag dat variantie zwaar kan laten doorslaan. De meeste praktijk-wedders gebruiken een quart-Kelly (één-vierde van de volledige Kelly-inzet) om de variantie tot acceptabele niveaus te beperken.
Voor Nederlandse spelers in 2026 komt daar een belastinglaag bovenop. Met kansspelbelasting van 37,8 procent doorvertaald in quotes, neemt het werkelijke edge-niveau af. Een theoretische edge van 5 procent zakt na belasting-doorvertaling vaak naar 2 of 3 procent — nog steeds positief, maar dichter bij de drempel waar variantie het verschil tussen winst en verlies bepaalt over langere periodes. Het maakt nauwkeurige inzet-discipline en bankroll-management des te belangrijker.
De grenzen van xG-gebaseerd value betting
xG is geen tovermiddel. Het mist factoren als individuele blessures, trainerswissel-effecten, motivatie-context van degradatie- of Europese strijd, en weersomstandigheden die in specifieke wedstrijden een aanzienlijke rol spelen. Een wedder die uitsluitend op xG vertrouwt, mist een aanzienlijk deel van het wedstrijd-plaatje.
De praktijk is een gelaagd model. xG vormt de fundering — de meest kwantitatieve basis voor kansschatting. Daarop bouw je correcties voor blessures (een afwezige sleutelspeler kan tien procent uit het xG-saldo halen), motivatie (een wedstrijd met grote inzet voor één team versus weinig voor de ander), thuisvoordeel (zoals besproken in eerdere uitwerkingen) en specifieke confrontatiegeschiedenis (sommige tactische affiches produceren systematisch andere uitkomsten dan xG zou voorspellen).
Het resultaat is een schatting die nog steeds onzeker is — kansen blijven kansen — maar die boven random uitkomt en die in combinatie met goede line shopping en disciplineerd bankroll-management een meetbare edge oplevert. Voor wie bereid is de moeite te nemen, is xG-gebaseerd value betting één van de weinige strategieën die over de lange termijn structureel positief kan zijn in een markt waar de meeste wedders structureel negatief uitkomen.
Het kwartje dat viel
Begin 2024, toen iemand me uitlegde dat value betting niets meer was dan twee kansen met elkaar vergelijken, voelde ik me een beetje dom dat ik daar niet eerder op was gekomen. Het is een eenvoudige rekenmethode verpakt in een complex klinkende terminologie. Wat het werkelijk moeilijk maakt is de eerste kans — je eigen kansschatting — betrouwbaar maken. xG is daarvoor het beste publiekelijk beschikbare beginpunt, en met enige discipline en aandacht kan een Nederlandse wedder op Ligue 1 daarmee meer dan recreatief succes behalen. Niet veel, niet snel, maar over tijd meetbaar. En dat is meer dan wat het gemiddelde wedgedrag oplevert.
Waar vind ik betrouwbare xG-data voor Ligue 1?
Publieke bronnen zoals Understat, FBref en sommige sport-statistieken-platforms publiceren xG-waarden per wedstrijd voor de top-Europese competities inclusief Ligue 1. De waarden lopen niet altijd exact gelijk tussen bronnen omdat modellen verschillen, maar voor amateurs en serieuze hobbywedders zijn deze bronnen voldoende nauwkeurig om een werkbaar value-betting-model op te bouwen.
Is xG-betting in 2026 nog rendabel met de hoge Nederlandse kansspelbelasting?
Theoretisch ja, in de praktijk met aanzienlijk smallere marges dan in lager-belaste markten. Een edge van 5 procent voor belasting wordt na doorvertaling vaak een edge van 2 tot 3 procent. Dat is nog steeds positief over een groot aantal inzetten, maar de variantie bepaalt het verschil tussen winst en verlies over kortere periodes. Strikt bankroll-management is essentieel.
Samengesteld door de redactie van 'Wedden op Ligue 1'.
