Die Triton Files: Nachgerechnet

1Einleitung

Die Triton Files offenbaren im Juni einen Einblick in die Turnierbilanzen der Highroller-Szene. Die Veröffentlichung traf auf reges Interesse, denn sie zeigte, dass reine Winnings als Maßstab für Profitabilität im Poker ungeeignet sind. So erzielten namhafte Pokerprofis nicht zuletzt Dank der Highroller Serien immer wieder neue Höchststände bei ihren Life-Time-Earnings auf Hendon Mob. Die Szene reagierte mit zahlreichen echten Top-10-Listen und einer Ethikdebatte über die finanzielle Privatsphäre der Spieler. Nicht zuletzt ergibt sich aber ein ohnehin verzerrtes Bild aufgrund von Stakingvereinbarungen oder Swaps der Spieler untereinander. Das Ranking zeigt also nur die halbe Wahrheit, doch die Zahlen haften an den Spielern. Petrangelo, Haxton, Brewer, Martirosian sind durchaus Weltklasse, doch hat jeder von ihnen nach 10 Jahren Triton Verluste in Millionenhöhe erlitten. Ein Umstand, der sich populär ausschlachten lässt, aber ein entscheidender Aspekt wird sehr häufig nur am Rande erwähnt: Die Stichprobe.

Die Fragestellung kann bei 303 Triton Events schlichtweg nicht lauten: Wer ist wirklich Weltklasse? Diese Frage lässt sich aus dem vorliegenden Datensatz statistisch nicht beantworten. Dafür ist die Varianz im Turnierpoker zu hoch. Es bedarf deutlich größerer Stichproben, also mehr Events und damit verbunden Entries der einzelnen Spieler. Ein Blick in die Triton Files lohnt dennoch für Lernzwecke, um das Thema Varianz im Turnierpoker zu veranschaulichen und somit einen besseren Überblick über die Höhen und (wohl eher) Tiefen des Spiels zu gewinnen.

2Was ist Varianz?

Die Varianz wird im Poker häufig mit einer Art Glücksfaktor gleichgesetzt. Mathematisch stellt sie ein Maß dar, wie stark einzelne Ergebnisse um ihren Erwartungswert (EV) streuen.

Turnierergebnisse können als Zufallsgröße betrachtet werden. Die meiste Zeit (ca. 85 % der Fälle) lautet das Ergebnis -1 Buy-in (BI), beim Ausscheiden vor den Geldrängen. In einem Event zu cashen, bedeutet letztlich eine Anzahl von Buyins zu gewinnen. Im Poker hat sich der Return-on-Invest (ROI) als Kennzahl für den Erwartungswert (EV) für MTTs etabliert. Ein starker Spieler mit einem 25 % ROI gewinnt folglich 0,25 BI pro Turnier (in EV). Mit diesen Zahlen arbeiten viele Pokerspieler, um ihre Gewinnerwartung zu beschreiben. Sie betrachten allerdings selten die Varianz.

Die Streuung eines Turnierergebnisses ist nicht nur das Ergebnis des eigenen Könnens (Edge). Sie hängt an Faktoren wie der Auszahlungsstruktur (flach, ausgewogen, top-heavy) und der Größe des Teilnehmerfelds. Spieler ohne Edge (ROI ≈ 0 %) sollten in kleinen Feldern (bis 200 Entries) bereits von ~4 BI ausgehen, in moderaten Feldern (bis 1.000) sind es ~6 BI und in Massenfeldern (bis 5.000) können es über ~10 BI pro Turnier werden. Die Formel des notwendigen Stichprobenumfangs zeigt, dass der Erwartungswert und Varianz einen Einfluss auf die Stichprobengröße haben. Je größer die Varianz bzw. kleiner die Edge, desto mehr Turniere (Stichprobe) bedarf es zur Annäherung an den Erwartungswert.

Das Verhältnis von ROI zur Varianz in Pokerturnieren ist ein entscheidender Faktor und unterstreicht die Wichtigkeit von Lernroutinen, Game Selection und Bankroll Management:

1. Die Edge lässt sich durch das Lernen abseits der Tische verbessern. Wer bessere Entscheidungen (+EV) in jedem Spot treffen kann, braucht letztlich weniger Hände um Bad Beats wettzumachen.
2. Die Auswahl der Turniere, z. B. kleinere Felder, führt zu weniger Varianz und damit regelmäßigeren Erfolgen. Wer hingegen Massenfelder spielt, sollte sich bewusst sein, dass mehr Varianz zu längeren Verlustserien führen kann und somit strengeres Bankrollmanagement erfordert.

3Methodik

Diese Varianzanalyse unterliegt einer modellhaften Betrachtung der Turnierergebnisse als Zufallsgröße. Als Datengrundlage wurden 18 prominente Pokerspieler ausgewählt, die mindestens 100 Entries hatten. In die Auswertung fließen aggregierte Werte: die Anzahl der Entries; Summe der Buy-ins, Cashes, daraus resultierende Profite bzw. Verluste sowie die ITM-Quote. Zusätzlich wurden die Anzahl der Final Tables sowie Titel und bester Cash notiert. Für weiterführende Analysen wurden zudem die Einzelergebnisse herangezogen. Die Abrufe erfolgten über die MTTDB-Profile der Spieler Ende August.

Für die Simulation wurden folgende Annahmen getroffen:

Der Teilnehmerkreis bei Triton zeichnet sich durch kleine Felder und hohe Spielstärke aus. Es ist davon auszugehen, dass - bis auf einzelne Ausnahmen - auf diesem Top-Niveau nur wenig Edge möglich ist. Es wird daher mit einem kleinen ROI (nach Rake) gerechnet. Die Payoutstruktur und ITM orientieren sich an den dokumentierten Preisgeldern.

Die Simulation verteilt die Turnierergebnisse auf Basis der Payoutstruktur, ITM und ROI. Die Turnierverläufe orientieren sich an einem $50K Buy-in. Dies ist knapp das durchschnittliche Buy-in über die getrackten 256 NLH-Events. Die Berechnung erfolgt nicht in Geldwerten sondern in Anzahl der Buy-ins (netto), um Schwankungen der Stakes abfangen zu können; die Spielerbilanzen werden dafür durch ihr individuelles Avg. Buy-in (ABI) geteilt. 8.000 simulierte Karrieren à 450 Bullets ergeben die Erwartungslinie inkl. exemplarischer Verläufe und dem 90 % Prognoseintervall (vom 5-95 % Perzentil). Die Berechnung erfolgt über denselben Rechenkern wie das Tool auf dieser Website.

VarianzrechnerFinde heraus wie lange Verlustserien im Poker andauern können und warum solides Bankrollmanagement erforderlich ist.wolfispirit.de

4Ergebnisse der Varianzanalyse

Die Einordnung der Gewinne bzw. Verluste in Buy-ins pro Spieler zeigt, dass die meisten Spieler im Rahmen des Erwartbaren liegen (siehe Abbildung 1). Nach ca. 400 gespielten Events (oder 10 Jahren Triton Highroller) landet der Modellspieler (mit 3 % ROI) zu 90 % Wahrscheinlichkeit irgendwo zwischen -100 und +150 BI. Der Erwartungswert läge bei 12 BI (= 0,03 · 400) á $50K, also $600K. Ivey und Phua liegen nah an diesem Erwartungswert.

Aus dem Band des Prognoseintervall fallen aktuell sieben Namen: Kenney, Ponakovs, Koon, Mateos und Mosböck sowie Petrangelo und Suvarna. Fakt ist, dass Kenney mit +340 BI / 287 % ROI (Buy-ins = -13M$, Profit ≈ +37M$ über 118 Entries) der effizienteste Spieler der Auswahl ist, während er zeitgleich auch das höchste ABI mit ~$110K hatte. Ponakovs (+180 BI), Koon (+158 BI), Mateos (+101 BI), Mosböck (+87 BI) haben ähnliche ABI mit ~$77K. Die größten Verlierer sind Suvarna (-164 BI, ABI ~75K) und Petrangelo (-103 BI, ABI ~88K).

Ein tieferer Blick in die Turnierstatistiken einzelner Spieler zeigt, dass sich die Ausreißer erklären lassen - Ursachen sind modellbedingte Grenzen. Das Varianzmodell stellt eine Vereinfachung der Realität dar, indem es über alle simulierten Verläufe mit festem Buy-in, Feld sowie Payoutstruktur rechnet. Die Realität der Spieler ist offenkundig eine andere: Buy-ins schwanken von $25K bis $250K (oder sogar eine Million), Turnierfelder variieren (sowohl bei Größe, als auch Spielstärke), Payoutstrukturen unterscheiden sich je nach Formaten. Für die weitere Betrachtung werden die Turniere in zwei Gruppen kategorisiert: Events über und unter $100K Buy-in. Diese Marke wurde gewählt, da sie am ehesten die Schwelle zu den Triton Main Events bildet.

Fall 1: Ponakovs vs. Petrangelo

Am Beispiel des Duels von Ponakovs gegen Petrangelo wird anschaulich, warum Varianz auf kurze Sicht auch eine Frage der Buy-in Range ist. Interessanterweise scheinen beide Spieler ähnliche Buy-ins zu spielen, da ihre ABIs für beide Gruppen sehr nah beieinander liegen. Der Fall von Ponakovs zeigt, dass dieser in Events über $100K eine positive Bilanz vorweisen kann (+110 BI, 59 Entries), während die kleineren Buy-ins ihn eher zurückgeworfen haben (-31 BI, 151 Entries). Auf der anderen Seite zeigt sich für Petrangelo das Gegenteil: In Turnieren unter $100K verliert er nur knapp (-11 BI, 126 Entries) - performed im Vergleich zu Ponakovs besser. Sein Pech liegt im Verlauf der teuren $100K+ Events (-50 BI, 72 Entries), die stärker ins Gewicht fallen und die Gesamtbilanz dominieren. Diese Perspektive veranschaulicht nichtsdestotrotz, dass sich beide Spieler mit dem angepassten Modell (der zwei Gruppen) im erwartbaren Rahmen wiederfinden (siehe Abbildung 2).

Fall 2: Kenney vs. Koon

Die Historie von Kenney zeigt, wie einzelne große Scores die gesamte Bilanz verzerren. Seine Teilnahme an Triton Events fällt mit 118 Entries im Vergleich zu Haxton (434), Chidwick (407) und Koon (365) gering aus. Die Performance hingegen kann mit 26 Cashes (22 % ITM-Quote), davon 18 Final Table mit einer durchschnittlichen Endplatzierung von 3,6 schon fast als "unerklärlich" bezeichnet werden. Als wären fünf Titel und vier Runner-ups nicht genug: Bei Kenney läuft es auf den höchsten Stakes. Sein zweiter Platz nach Deal im Triton Million for Charity (+$20,3M) macht aktuell 43 % seiner gesamten Winnings ($50,4M) aus - werden die nächstbesten fünf Scores addiert, zeigen sich 80 % der gewonnen Preisgelder. Ciao Pareto-Prinzip! Doch diese Form des Erfolgs sollte nicht romantisiert werden. Hätten seine sechs Scores nicht stattgefunden, würde sich Kenneys Bilanz von +340 auf -8 BI wenden.

Die Turnierbilanz von Koon offenbart ähnliche Werte in der ITM-Quote und der Platzierung. Sein bester Score fällt weniger auf mit $3,59M (9 % der $40,6M Winnings). Doch seine Bilanz zeichnet sich durch Konstanz aus: Mit 43 % (beobachteten) ROI und über 55 Final Table sowie 12 Titel hat er nominell mehr Erfolge vorzuweisen. Dort liegt auch der Unterschied zu Kenney: Bei ihm machen 33 Cashes 80 % des Erfolgs aus; auch wenn am Ende nur +$12,3M Profit übrig bleiben. Eine Besonderheit ist, dass Koon auch beim zugeschnittenen Modell (wie Ponakovs vs. Petrangelo) über dem Prognoseintervall liegt (siehe Abbildung 3). Das lässt den Rückschluss zu, dass sein wahrer ROI in den Triton Events wahrscheinlich über dem des Referenzspielers (3 % ROI) liegt.

Wie groß seine Edge ist, lässt sich aus den Daten nicht bestimmen; dafür ist die Stichprobe zu klein. Für den Nachweis, dass er einen Vorsprung auf die Konkurrenz hat, wären ca. doppelt so viele Entries (727) nötig, da seine Buy-in Range mehr Streuung (7,05 BI) mitbringt als die des Referenzspielers.

5Fazit

Welche Erkenntnisse können Pokerspieler aus den Triton Files und der vertieften Analyse um Petrangelo, Ponakovs, Kenney und Koon mitnehmen?

1. Die Liste erlaubt keine statistische Aussage darüber, wer wie gut spielt - sie zeigt nur, wie die Spieler gelaufen sind. Die tendenziell kleine Edge sorgt dafür, dass Highroller Events ohne Stakingvereinbarungen oder Swaps für die meisten Teilnehmer ein zu hohes finanzielles Risiko darstellen. Ein Einblick in die Geschäftsmodelle wäre erforderlich, um das wahre Risiko einschätzen zu können.
2. Kleine Felder reduzieren die Varianz. Wer längere Verlustserien nicht verkraftet, sollte kleinere Turniere spielen. Sie erhöhen nicht nur die Erfolgschancen, Turniere zu gewinnen, sondern verzeihen auch aggressives Bankrollmanagement.
3. Die Range der Buy-ins sollte nicht zu weit um das ABI streuen. Wer durch die Stakes springt, vervielfacht seine Varianz. Ein engerer Rahmen gibt schneller Rückmeldung darüber, ob man auf dem aktuellen Limit tatsächlich gewinnt.
4. Ambitionierte Pokerspieler sollten nach einem großen Gewinn nicht sofort die Stakes aufsteigen. Ein einziger Score ist statistisch betrachtet kaum belastbar, um daraus eine wahre Edge abzuleiten. One-Hit-Wonders fallen häufig aus dem Prognoseband heraus. Erst über ein größeres Sample zeigt sich die wahre Spielstärke.
5. Wer seine Edge verbessert, hat den besten Hebel. Spieler, die durch Arbeit abseits der Tische ihren ROI in einem ausgewählten Turnier verdoppeln, brauchen langfristig nur ein Viertel der Entries, bis sich ihre Edge im Profit niederschlägt.

Da die Varianz im Poker größer ist, als viele annehmen. Teste dein Bankrollmanagement mit eigenen Zahlen über den kostenlosen Varianzrechner auf dieser Website.

Quellen

• MTT Database: Triton Files — A Decade Of Triton Poker by the Numbers, 23.06.2026.
• Somuchpoker: Triton Poker Stats — Biggest Winners, Losers & Records, 03.07.2026.
• PokerScout: Triton Files Spur Questions About Publicly Available Poker Results, 30.06.2026.
• Bill Chen, Jerrod Ankenman: The Mathematics of Poker, ConJelCo 2006.
• Mason Malmuth: Gambling Theory and Other Topics, Two Plus Two 1987.

Die Simulation der Turnierverläufe und die Erstellung der Abbildungen wurde durch den Einsatz von KI unterstützt. Der Text wurde von mir verfasst.