Statistische Täuschung — Lottozahlen mit KI vorhersagen

Zahlenspiele: Wenn Statistik zur Illusion wird.

Beim Googeln stoße ich immer wieder auf Beiträge, was man mit einfachen KI-Modellen angeblich alles vorhersagen kann — probier es ruhig selbst, es ist erstaunlich unterhaltsam. Lottozahlen, Sportergebnisse, sogar Aktienkurse (zu Letzterem habe ich vielleicht auch etwas vorbereitet 😉). Es gibt eine ganze Reihe von Vorhersage-„Methoden", an die Menschen glauben, in der Hoffnung, ihre Chancen zu verbessern.

Gewinnen jetzt also immer mehr Leute im Lotto, weil sie solche Tools nutzen? Vermutlich nicht. Genau das schauen wir uns hier an — und du kannst es weiter unten selbst nachstellen.

Vorab: Dieser Beitrag richtet sich an alle, die sich für Datenanalyse, KI und Statistik interessieren. Es gibt hier keine Tipps oder Empfehlungen fürs Glücksspiel. Es geht ums Verstehen — wie solche Tests funktionieren und was sie (nicht) leisten.

Warum wir an unsere Chancen glauben

Bevor wir rechnen, lohnt der Blick auf die Psychologie. Das deutsche Lotto startete als „6 aus 49" mit einer Gewinnchance von 1:15.537.573. Mit der Superzahl sank sie auf 1:139.838.160 (Sachsenlotto, 2025). Das ist der kuriose Effekt: Der Gewinn wird unwahrscheinlicher — und gerade dadurch attraktiver, weil seltener gewonnen wird und der Jackpot wächst.

Mehrere psychologische Effekte sorgen dafür, dass wir trotzdem glauben, unsere Chancen verbessern zu können:

Und es ist wichtig zu wissen: Die Zahlen werden unabhängig voneinander gezogen. Es gibt keine Verbindung zwischen der Ziehung dieser Woche und der letzten. Genau hier setzen die „Methoden" an — „heiße und kalte Zahlen", Zahlenlogik, Wheeling-Systeme, oder eben neuronale Netze: CNN, RNN, LSTM. Wir nehmen im Folgenden ein LSTM.

Kurz erklärt: Was ist ein LSTM?

LSTMs (Long Short-Term Memory) sind spezielle neuronale Netze mit einer Gedächtnisfunktion. Sie speichern wichtige Informationen aus der Vergangenheit und vergessen unwichtige — gesteuert über drei „Gates" (Input, Forget, Output). Sie eignen sich besonders für Aufgaben mit zeitlichem Zusammenhang: Spracherkennung, Textgenerierung, Übersetzungen, Zeitreihen-Vorhersagen, Musikkomposition.

Klingt nach dem perfekten Werkzeug, um eine Zahlenreihe über die Zeit „vorherzusagen". Hier eine Beispielanwendung mit TensorFlow, Keras und scikit-learn:

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, BatchNormalization
from tensorflow.keras.optimizers import Adam
from sklearn.model_selection import train_test_split


def prepare_data(df):
    """Bereitet die Daten für das Modell auf"""
    draws = df[df['Typ'] == 'Normal'].groupby('Datum')['Zahl'].agg(list)
    features, labels = [], []
    for nums in draws:
        s = sorted(nums)
        # Statistische Muster, die angeblich künftige Ziehungen verraten
        features.append([
            np.mean(s), np.std(s), np.median(s),
            max(s) - min(s),
            len([x for x in s if x % 2 == 0]),   # gerade Zahlen
            len([x for x in s if x <= 25]),       # Zahlen <= 25
            np.sum(s),
            np.prod(np.diff(s)),
        ])
        label = np.zeros(49)                       # One-Hot über alle 49 Zahlen
        for num in s:
            label[int(num) - 1] = 1
        labels.append(label)
    return np.array(features), np.array(labels)


def create_model():
    """Neuronales Netz für die Lotto-Vorhersage"""
    model = Sequential([
        Dense(256, activation='relu', input_shape=(8,)),
        BatchNormalization(), Dropout(0.3),
        Dense(512, activation='relu'),
        BatchNormalization(), Dropout(0.3),
        Dense(256, activation='relu'),
        BatchNormalization(), Dropout(0.3),
        Dense(49, activation='sigmoid'),           # 49 Wahrscheinlichkeiten 0..1
    ])
    model.compile(optimizer=Adam(learning_rate=0.001),
                  loss='binary_crossentropy', metrics=['accuracy'])
    return model


def select_combination(predictions, num_combinations=5):
    """Wählt die besten Kombinationen anhand der Vorhersage-Wahrscheinlichkeiten"""
    combos = []
    for _ in range(num_combinations):
        probs, selected = predictions.copy(), []
        for _ in range(6):
            probs = probs / np.sum(probs)
            idx = np.random.choice(49, p=probs)
            selected.append(idx + 1)
            probs[idx] = 0                          # Zahl nicht doppelt ziehen
        combos.append(sorted(selected))
    return combos

Trainiert wird über 100 Epochen auf den historischen Ziehungen, danach lässt man sich fünf Kombinationen vorschlagen. Das Ergebnis für die nächste Ziehung sah bei mir so aus:

[1, 2, 3, 10, 13, 35]   Ø 10,67   Summe 64    historische Ähnlichkeiten: 6
[1, 2, 3,  8, 33, 36]   Ø 13,83   Summe 83    historische Ähnlichkeiten: 1
[1, 2, 14, 32, 34, 35]  Ø 19,67   Summe 118   historische Ähnlichkeiten: 3
[1, 2, 3, 11, 30, 35]   Ø 13,67   Summe 82    historische Ähnlichkeiten: 7
[1, 2, 5,  8, 33, 34]   Ø 13,83   Summe 83    historische Ähnlichkeiten: 4

Sieht beeindruckend aus. Ordentlich, „datenbasiert", mit Kennzahlen. Aber bringt es etwas? Bevor ich es dir verrate — probier es selbst aus.

Probier's selbst: KI gegen Zufall

Unten zwei kleine Module. Im ersten spielst du eine Ziehung — ein Quick-Tipp gegen die offizielle Ziehung. Klick so oft du willst und beobachte, wie selten überhaupt drei Treffer dabei sind. Im zweiten lässt du die fünf KI-Tipps aus dem Artikel gegen reinen Zufall über viele Ziehungen laufen. Schieb die Zahl nach oben und schau, wo beide landen.

Hast du es laufen lassen? Dann hast du den Punkt schon gesehen: Beide Strategien pendeln sich bei rund 0,73 Treffern pro Tipp ein. Das ist kein Zufall im Code — es ist Mathematik. Die erwartete Trefferzahl eines Tipps ist immer 6 × 6/49 ≈ 0,735, völlig egal, welche sechs Zahlen du wählst. Kein Modell der Welt verschiebt diesen Wert.

Der Härtetest mit echten Daten

Genau das habe ich auch mit den echten historischen Ziehungen gemacht: die fünf KI-Tipps gegen eintausend zufällig erzeugte Tipps, über die gesamte Lotto-Historie. Pro Tipp normalisiert, damit der Vergleich fair ist:

Was uns das wirklich sagt

Treten wir einen Schritt zurück. Wir haben ein spezielles Modell genutzt, viele Zeilen Code geschrieben, 70 Jahre Ziehungsdaten heruntergeladen — und am Ende absolut nichts gewonnen. Unsere Chance ist unverändert; beim reinen Zufall war sie sogar einen Hauch besser (das kann je nach Ziehung kippen).

Aber es ist eben viel leichter, ein System zu bauen, das mit „den besten mathematischen Modellen", „der stärksten Technologie" und „den größten Gewinnen" wirbt — als mit den tatsächlichen Ergebnissen. Gewinner werden medial gefeiert, dubiose Anbieter verkaufen das passende Gefühl dazu, „bald" zu gewinnen. Am Ende ist die statistische Gewinnchance keinen Deut besser als blindes Ziehen.

Und jetzt das Abstraktere: In wie vielen Lebensbereichen tun wir Dinge, die vielleicht gar nichts bringen — uns aber ein Gefühl von Sicherheit geben? Wie oft behaupten wir, eine Lösung gefunden zu haben, obwohl es reines Marketing ist? Meine (unvollständige, subjektive) Liste:

• Finanzmärkte und Trading-Strategien
• Diäten und Gesundheitstrends
• Anti-Aging-Produkte
• Produktivitäts-Apps und -Tools
• Versicherungen für höchst unwahrscheinliche Ereignisse
• Coaching- und Selbsthilfe-Industrie
• Talismane und Glücksbringer
• Sport-Supplemente
• „datengetriebenes" Marketing

Die Lottozahlen sind nur das ehrlichste Beispiel, weil sich das Ergebnis hier so sauber messen lässt. Bei den anderen Punkten ist die Messung schwerer — die Kontroll-Illusion aber dieselbe.

Quellen

• Binde, P. (2013). Why people gamble: A model with five motivational dimensions. International Gambling Studies, 13(1), 81–97.
• Chodzyńska, K., & Polak, M. (2023). Information about objective probability of a lottery and the illusion of control. Polish Psychological Bulletin.
• Griffiths, M., & Wood, R. (2001). The psychology of lottery gambling. International Gambling Studies, 1(1), 27–45.
• Rockloff, M. J., & Hing, N. (2013). The Impact of Jackpots on EGM Gambling Behavior: A Review. Journal of Gambling Studies, 29(4), 775–790.
• Rogers, P. (1998). The Cognitive Psychology of Lottery Gambling: A Theoretical Review. Journal of Gambling Studies, 14(2), 111–134.
• Sachsenlotto. (2025). Gewinnwahrscheinlichkeiten Lotto 6aus49.

Dieser Beitrag dient ausschließlich der Bildung und dem Verständnis statistischer Tests. Keine Spiel- oder Anlageempfehlung.