Ladevorgang...
Freitagstrainings: Die meistunterschätzte Datenquelle für F1-Wetter
Die meisten F1-Fans schalten die Freitagstrainings nicht ein. Zu langsam, zu wenig Action, zu wenig Relevanz – so die verbreitete Meinung. Für mich als Wettanalyst sind die Freitagssessions das genaue Gegenteil: der wichtigste Teil des Wochenendes. Nicht weil dort die besten Rundenzeiten fallen, sondern weil dort die Daten entstehen, auf denen meine gesamte Rennwochenende-Analyse aufbaut.
In FP1 und FP2 zeigen die Teams mehr von ihrer Karte als zu jedem anderen Zeitpunkt. Sie testen Reifencompounds, fahren Rennsimulationen, probieren unterschiedliche Setups. Alles öffentlich sichtbar, alles in den Zeitenlisten der FIA dokumentiert. Die Ironie: Millionen Zuschauer schauen das Qualifying und das Rennen, aber die Daten, die über den Ausgang beider Ereignisse am meisten verraten, fallen am Freitag. Das ist der Moment, in dem der analytische Formel 1 Wetten-Ansatz seinen größten Vorsprung aufbaut.
Was jede Session verrät: FP1, FP2, FP3
Jede der drei Trainingssessions hat einen anderen Charakter, und wer sie gleich behandelt, verliert den analytischen Vorteil.
FP1 am Freitagmorgen ist die Erkundungssession. Die Teams testen aerodynamische Konfigurationen, evaluieren Reifencompounds und sammeln Grunddaten über das Streckenverhalten. Für die Wettanalyse ist FP1 die am wenigsten aussagekräftige Session – die Rundenzeiten reflektieren kein Leistungsniveau, sondern ein Testprogramm. Was FP1 trotzdem verrät: Welches Team grundsätzliche Probleme hat. Wenn ein Auto in FP1 sichtbar instabil ist, den Randstein meidet oder ungewöhnlich langsam aus langsamen Kurven beschleunigt, ist das ein Warnsignal, das in die Quotenbewertung einfließen sollte. Außerdem werden in FP1 gelegentlich Nachwuchsfahrer eingesetzt, was die Zeiten eines Stammfahrers für diese Session unbrauchbar macht.
FP2 am Freitagnachmittag ist die Kernsession. In der ersten Hälfte fahren die Teams Qualifying-Simulationen – kurze Runs auf neuen Reifen, niedriger Sprit, voller Motorenmodus. In der zweiten Hälfte kommen die Rennsimulationen – Longruns auf gebrauchten Reifen, hoher Sprit, Rennmodus. Norris‘ McLaren zeigte 2025 in den FP2-Longruns regelmäßig eine Pace, die sich am Sonntag bestätigte – das Muster war über die Saison so konsistent, dass ich es als primären Datenpunkt für meine Rennwetten verwendete. Die Saison endete mit drei WM-Kandidaten bis zum letzten Rennen, und wer die FP2-Daten systematisch verfolgt hatte, war nicht überrascht.
FP3 am Samstagmorgen ist die Qualifying-Vorbereitung. Kurze Runs, leichte Tanks, Fokus auf Einzelrunden-Pace. FP3 ist der beste Prediktor für das Qualifying-Ergebnis und damit die relevanteste Session für Qualifying-Wetten und Pole-Position-Märkte. Aber Achtung: Manche Teams nutzen FP3, um ihre Autos auf das Rennen einzustellen statt auf das Qualifying – besonders wenn sie wissen, dass ein Grid-Penalty ihr Qualifying-Ergebnis ohnehin irrelevant macht. Diese Informationsasymmetrie zu erkennen, trennt den oberflächlichen Datenleser vom analytischen Wetter.
Tücken bei der Interpretation: Motoreinstellungen, Traffic und Sandbagging
Die Saison 2025 hat mir eine meiner teuersten Lektionen beschert. Beim Grand Prix von Australien sah Verstappens FP2-Longrun katastrophal aus – zwei Zehntel langsamer als erwartet, inkonsistente Zeiten, merkwürdiges Reifenverhalten. Ich setzte auf seinen Teamkollegen im H2H-Markt. Am Sonntag gewann Verstappen das Rennen mit zwölf Sekunden Vorsprung. Was war passiert? Red Bull hatte in FP2 einen niedrigeren Motorenmodus gefahren und einen Aero-Rake-Test durchgeführt – die Zeiten waren nie als Leistungsindikator gedacht.
Motoreinstellungen sind die größte Falle bei der Trainingsinterpretation. Teams können ihre Power Unit in verschiedenen Modi betreiben, die sich um bis zu eine Sekunde pro Runde unterscheiden. Wenn McLaren in FP2 im Modus 7 fährt und Ferrari im Modus 5, zeigt die Zeitenliste Ferrari vorne – obwohl McLaren im Rennmodus schneller wäre. Diese Information ist nicht öffentlich, lässt sich aber indirekt ableiten: GPS-Daten, Geschwindigkeitsmessungen auf den Geraden und der Vergleich der Sektorzeiten zwischen Geraden und Kurven geben Hinweise darauf, wie viel Motorleistung ein Team abruft.
Traffic – Verkehr auf der Strecke – verfälscht Longruns, wenn ein Fahrer hinter einem langsameren Auto festhängt und nicht vorbeikommt. In FP2, wenn 20 Autos gleichzeitig Longruns fahren, ist sauberer Verkehr die Ausnahme. Ich markiere in meiner Tabelle jede Runde, die durch Verkehr verfälscht wurde, und schließe sie aus der Berechnung aus. Das erfordert Zugang zum Live-Onboard oder zumindest zur sektorweisen Zeitenaufschlüsselung.
Sandbagging – das absichtliche Zurückhalten von Pace – ist das subtilste Problem. Manche Teams zeigen ihre wahre Geschwindigkeit erst im Qualifying oder Rennen. Die Methode, die ich dagegen einsetze: den Teamkollegen-Vergleich. Wenn beide Fahrer im selben Auto ähnlich langsam sind, liegt es wahrscheinlich am Team-Programm, nicht an der Pace. Wenn nur ein Fahrer langsam ist, hat entweder er ein Problem oder der andere ein ungewöhnlich gutes Setup. Details dazu finden sich in der Wettstrategie.
Von der Tabelle zur Wette: Ein praktischer Analyseablauf
Mein Workflow am Freitagabend nach FP2 folgt einem festen Schema, das ich über die Jahre optimiert habe. Schritt eins: Qualifying-Simulation-Zeiten aus FP2 in eine Tabelle eintragen, nach Compound sortiert, Verkehrs-Runden markiert. Schritt zwei: Longrun-Zeiten extrahieren, Degradationsgradienten berechnen (Zeitverlust pro Runde), nach Compound und Tankmenge normalisieren. Schritt drei: Teamkollegen-Vergleich durchführen, um Motor- und Setup-Unterschiede zu isolieren. Schritt vier: Ergebnisse mit der aktuellen Quotenlage abgleichen und Value-Wetten identifizieren.
Dieser Ablauf dauert etwa 45 Minuten bis eine Stunde. Am Ende habe ich eine klare Einschätzung, welche Fahrer im Qualifying stark sein werden, welche im Rennen über die nötige Pace verfügen und wo die Quoten nicht zur Datenlage passen. Es ist kein Hexenwerk – es ist systematische Arbeit mit öffentlich verfügbaren Daten. Aber es ist Arbeit, die 95 % der F1-Wetter nicht machen, weil sie entweder die Trainings nicht schauen oder die Daten nicht auswerten. Und genau das ist der Vorteil: Nicht bessere Daten, sondern bessere Nutzung derselben Daten, die jedem zur Verfügung stehen. Wer bereit ist, eine Stunde pro Wochenende zu investieren, verschafft sich einen strukturellen Edge, der über die gesamte Saison Rendite generiert.