Inhaltsverzeichnis
Die Buchmacher arbeiten mit professionellen Daten-Pipelines, mit Sektor-Zeiten in Millisekunden-Auflösung und mit Modellen, die auf zehn oder mehr Jahren Renn-Historie aufbauen. Der durchschnittliche Tipper hat den TV-Bildschirm und ein paar Wikipedia-Seiten. Diese Asymmetrie ist die Realität des F1-Wettmarktes. Aber sie ist nicht unüberwindbar — wer die richtigen offenen Datenquellen nutzt, kann seinen Lese-Edge messbar verbessern.
In den letzten Jahren ist eine kleine Industrie offener F1-Daten-Tools entstanden, die für ernsthafte Tipper Gold wert ist. Ich gehe in diesem Artikel die wichtigsten Quellen durch, zeige einfache Auswertungs-Beispiele und nenne die typischen Interpretations-Fallen, in die Daten-Neulinge laufen.
Offene Datenquellen — FIA-Ergebnisse, Renn-Telemetrie
Die FIA veröffentlicht nach jedem Renn-Wochenende einen vollständigen Datensatz mit allen Quali- und Renn-Sektor-Zeiten, Boxen-Eintritten, Strafen und Klassifikationen. Diese Daten sind kostenlos und maschinenlesbar verfügbar — über die offizielle FIA-Seite und über mehrere Spiegel-Plattformen. Wer Excel oder ein einfaches Tabellen-Programm bedienen kann, hat damit den Zugang zur Datenbasis, die auch die Buchmacher als Grundlage nutzen.
Eine zweite zentrale Quelle ist FastF1 — eine offene Python-Bibliothek, die FIA-Renn-Daten programmatisch zugänglich macht. Sektor-Zeiten, Telemetrie-Auszüge, Boxen-Stopps und Reifenstrategien werden mit wenigen Code-Zeilen abrufbar. Wer Python-Grundkenntnisse hat, kommt damit auf ein Daten-Niveau, das vor fünf Jahren noch professionellen Teams vorbehalten war. Die Bibliothek ist gut dokumentiert und hat eine aktive Community.
Drittens lohnt sich der Blick auf Pirelli-Vorabberichte und Renn-Analysen. Pirelli publiziert vor jedem Grand Prix die Mischungs-Allokation und nach jedem Rennen die tatsächliche Reifen-Performance der Top-Teams. Diese Berichte sind die wertvollste Quelle für Reifen-Strategie-Lese, weil sie die Long-Run-Daten der freien Trainings in zusammengefasster Form bereitstellen.
Was diese drei Quellen zusammen bieten, ist eine solide analytische Grundlage. Was sie nicht bieten, sind Sub-Sekunden-Telemetrie-Daten — diese liegen vertraglich exklusiv bei den Teams und der FIA-Live-Timing-Lizenz. Aber für 90 Prozent der praktisch relevanten Linien-Lese-Aufgaben reichen die offenen Daten aus.
Einfache eigene Modelle — Rundenzeit-Aggregate und Sektoren
Ein eigenes Linien-Modell muss nicht kompliziert sein, um wertvoll zu sein. Die einfachste Form, die ich für F1-Handicap-Wetten regelmäßig nutze, basiert auf Sektor-Zeit-Aggregaten der freien Trainings.
Praktisches Beispiel: Nach dem zweiten freien Training nehme ich die schnellsten drei Runden jedes Top-Sechs-Fahrers, mittele die Sektor-Zeiten und vergleiche sie paarweise. Eine konsistente Sektor-Pace-Differenz von 0,15 Sekunden zwischen zwei Fahrern in allen drei Sektoren ist ein starkes Signal für die Quali-Pace am Samstag. Eine sektor-übergreifend stark wechselnde Differenz (Fahrer A schneller in Sektor 1, Fahrer B in Sektor 2 und 3) deutet auf Set-up-Kompromisse hin, die im Rennen anders aussehen können.
Auf eine konkrete Zahl bezogen — Monaco hatte 2024 nur 17 Überholmanöver im gesamten Rennen. Das bedeutet, dass die Quali-Pace und die daraus resultierende Startaufstellung in Monaco extrem stark auf das Renn-Ergebnis durchschlägt. Wer in Monaco eine saubere Quali-Pace-Lese hat, hat eine sehr gute Lese-Grundlage für das gesamte Renn-Wochenende. Auf Strecken mit mehr Überholmanövern verschiebt sich das Gewicht zwischen Quali-Lese und Renn-Strategie-Lese.
Ein einfaches Modell, das in Excel funktioniert, sieht so aus: Spalte A = Fahrer-Namen, Spalte B = Best-Quali-Zeit, Spalten C bis E = Sektor 1, 2, 3, Spalte F = Pace-Mittel der schnellsten drei Long-Run-Runden. Aus diesen sechs Spalten lassen sich die meisten Linien-Lese-Aufgaben für ein Renn-Wochenende ableiten. Die Datenpflege kostet pro Wochenende eine Stunde — ein überschaubarer Aufwand für den Edge, der entsteht.
Kommerzielle Datenanbieter — wann sich der Zugang lohnt
Über die offenen Datenquellen hinaus gibt es kommerzielle F1-Datenanbieter, die deutlich tiefere Telemetrie- und Vergleichs-Daten anbieten. Der Preis bewegt sich zwischen 30 und 500 Euro pro Monat, je nach Tiefe und Lizenz-Umfang. Lohnt sich der Zugang?
Aus meiner Erfahrung lohnt er sich nur für Tipper, die mehr als 200 F1-Wetten pro Saison platzieren und einen klaren Performance-Track-Record aus offenen Daten haben. Wer mit FastF1 und FIA-Ergebnissen kein positives Saison-Ergebnis erzielt, wird mit kommerziellen Daten ebenfalls nicht profitabel — das Problem liegt dann meist nicht in den Daten, sondern in der Lese-Methodik oder im Bankroll-Management.
Für die meisten Hobby-Tipper und auch für die meisten ambitionierten Vielsetzer reichen die offenen Quellen aus. Die kommerziellen Anbieter bringen vor allem Sub-Sekunden-Telemetrie, Vergleichs-Tools und automatisierte Modell-Schnittstellen. Das ist wertvoll für jemanden, der täglich oder mehrmals täglich Wett-Entscheidungen trifft — bei einem 24-Renn-Wochenende-Kalender ist der Hebel niedriger.
Was sich aus meiner Sicht in jedem Fall lohnt: ein Abonnement auf F1 TV Pro oder ein gleichwertiger Zugang zu offiziellem Live-Timing während der Renn-Wochenenden. Das kostet typischerweise unter zehn Euro pro Monat und ist die effektivste einzelne Daten-Investition für ernsthafte F1-Tipper. Die Sub-Sekunden-Latenz gegenüber dem TV-Bild ist Gold wert.
Typische Interpretationsfehler bei F1-Daten
Daten sind nur dann nützlich, wenn sie richtig interpretiert werden. Vier typische Fehler beobachte ich regelmäßig bei Tippern, die mit offenen F1-Daten arbeiten — und alle vier haben mich selbst in den ersten Jahren Geld gekostet.
Erster Fehler: Über-Interpretation einzelner schneller Runden. Eine schnellste Trainings-Runde sagt wenig über die Renn-Pace aus. Sie kann mit niedrigem Treibstoff, weichen Reifen und einer Setup-Sonder-Runde gefahren worden sein. Die Renn-Pace zeigt sich erst in der Long-Run-Aggregation über mindestens zehn Runden. Wer auf einzelne Bestzeiten reagiert, kauft die falsche Linie.
Zweiter Fehler: Übergewichtung der Vorjahres-Daten. Eine Strecke verändert sich von Saison zu Saison — Asphalt-Erneuerungen, Setup-Erkenntnisse, Reglement-Wechsel. 2025er Daten sind 2026 nur eingeschränkt nutzbar, vor allem mit dem komplett neuen Power-Unit- und Aero-Reglement der Saison 2026. Wer Vorjahres-Daten unkritisch projiziert, kauft eine Linie auf Basis veralteter Annahmen.
Dritter Fehler: Vermischung von Trockenheits- und Nässe-Daten. Ein Trocken-Trainings-Datensatz sagt wenig über das Renn-Verhalten bei Regen aus. Wer beide Datentypen in einer Auswertung mischt, bekommt verzerrte Schätzungen. Die Wetter-Spezifik gehört in eine eigene Daten-Spalte und muss separat ausgewertet werden.
Vierter Fehler: Stichproben-Hörigkeit. Drei Rennen sind keine belastbare Stichprobe. Wer aus den ersten drei Saison-Rennen ein Saison-Modell baut, baut auf Sand. Belastbare Trends zeigen sich frühestens nach sechs bis acht Rennen — vorher ist jede Auswertung ein Indiz, kein Beweis.
Wer parallel verstehen will, wie auf der Buchmacher-Seite aus solchen Daten die Linien gebaut werden, findet im Artikel zu Wie Buchmacher F1-Handicap-Linien festlegen die Modellierungs-Logik im Detail.
Welche kostenlosen Python-Bibliotheken eignen sich für F1-Renndaten?
Die wichtigste kostenlose Python-Bibliothek für F1-Renndaten ist FastF1. Sie bietet programmatischen Zugang zu FIA-Renndaten — Sektorzeiten, Boxenstopps, Reifenstrategien, Telemetrie-Auszüge und Klassifikationen aus aktuellen und historischen Rennen. Die Bibliothek ist gut dokumentiert und hat eine aktive Community von F1-Daten-Enthusiasten. Ergänzend lohnen sich pandas für Daten-Manipulation und matplotlib oder plotly für Visualisierungen. Wer ein einfaches Linien-Modell bauen will, kommt mit diesen drei Bibliotheken auf ein Niveau, das vor wenigen Jahren noch professionellen Teams vorbehalten war.
Wie viele Rennen brauche ich für ein belastbares Linien-Modell?
Für ein erstes brauchbares Linien-Modell sind etwa 30 bis 50 Rennen Datenbasis nötig — das entspricht ein bis zwei kompletten F1-Saisons. Unter dieser Schwelle sind Schwankungen durch einzelne Renn-Ausreißer zu groß, um stabile Pace- und Wahrscheinlichkeits-Schätzungen zu machen. Für tiefere Auswertungen — etwa strecken-spezifische Modelle oder Wetter-spezifische Anpassungen — sind 100 bis 200 Rennen Daten realistisch. Wichtig ist die Berücksichtigung von Reglement-Wechseln: Daten aus dem alten Reglement vor 2026 sind für die neue Power-Unit- und Aero-Ära nur eingeschränkt nutzbar.
