مدل پواسون پیش بینی فوتبال روشی ساده برای تبدیل میانگین گل مورد انتظار دو تیم به احتمال نتیجه های مختلف است. این مدل جواب قطعی نمی دهد؛ اما به شما کمک می کند حدس مبهم را به یک فرایند قابل محاسبه تبدیل کنید. کافی است ورودی های معقول برای گل میزبان و میهمان بسازید، احتمال صفر تا چند گل را جداگانه حساب کنید و سپس خانه های جدول نتیجه را با هم جمع بزنید.
برای اجرای مدل پواسون پیش بینی فوتبال، قدرت حمله و دفاع هر تیم را با میانگین لیگ مقایسه کنید، مزیت میزبانی و غیبت های مهم را در نظر بگیرید و دو عدد گل مورد انتظار بسازید. توزیع پواسون احتمال تعداد گل هر تیم را می دهد. ضرب احتمال های میزبان و میهمان، احتمال نتیجه دقیق را می سازد. خروجی باید با داده تازه، بک تست و قیمت بازار کنترل شود؛ نه اینکه به عنوان تضمین برد استفاده شود.
مدل پواسون دقیقا چه چیزی را محاسبه می کند؟
توزیع پواسون احتمال رخ دادن تعداد مشخصی رویداد در یک بازه را با فرض داشتن نرخ میانگین مشخص محاسبه می کند. در فوتبال، رویداد مورد نظر گل است و بازه یک مسابقه کامل. اگر انتظار داشته باشیم تیمی به طور متوسط 1.6 گل بزند، می توان احتمال صفر، یک، دو، سه یا گل های بیشتر را از همان نرخ به دست آورد. مستندات رسمی SciPy درباره توزیع پواسون فرمول احتمال را به شکل P(k)=e^-λ × λ^k / k! توضیح می دهد.
در این فرمول، λ همان میانگین مورد انتظار و k تعداد گل است. مزیت مدل پواسون پیش بینی فوتبال شفافیت آن است: هر خروجی به یک ورودی مشخص برمی گردد. ضعف آن نیز روشن است: گل ها کاملا مستقل نیستند و شرایط بازی بعد از گل، کارت قرمز یا تغییر تاکتیک عوض می شود. بنابراین مدل پواسون پیش بینی فوتبال یک نقطه شروع است، نه نسخه نهایی واقعیت.
گام اول: داده مناسب را جمع کنید
کیفیت مدل بیشتر از پیچیدگی فرمول به کیفیت داده وابسته است. حداقل داده پیشنهادی شامل گل زده و خورده، تفکیک خانه و خارج از خانه، قدرت حریفان و تعداد بازی های نمونه است. اگر داده xG معتبر دارید، میانگین xG ساخته شده و xG داده شده معمولا تصویر بهتری از کیفیت موقعیت ها می دهد؛ با این حال تعریف xG میان ارائه دهندگان یکسان نیست و داده های چند منبع را نباید بی دلیل مخلوط کرد.
برای فصل تازه، پنج بازی معمولا نمونه کوچکی است. بهتر است وزن بیشتری به بازی های جدید بدهید اما اطلاعات فصل قبل را یکباره حذف نکنید. در راهنمای استراتژی شرط بندی فوتبال می توانید چارچوب ثبت فرضیه و ارزیابی نتیجه را ببینید. هدف این مرحله ساختن ورودی قابل دفاع برای مدل پواسون پیش بینی فوتبال است، نه انتخاب اعدادی که نتیجه دلخواه شما را تایید کنند.
گام دوم: قدرت حمله و دفاع را بسازید
یک روش آموزشی این است که میانگین گل خانگی لیگ و میانگین گل خارج از خانه لیگ را مبنا بگیرید. قدرت حمله میزبان از تقسیم میانگین گل خانگی آن تیم بر میانگین گل خانگی لیگ به دست می آید. قدرت دفاع حریف را نیز می توان با تقسیم گل خورده خارج از خانه او بر میانگین مربوط در لیگ محاسبه کرد. ضرب این دو شاخص در میانگین لیگ، تخمین اولیه گل میزبان را می سازد.
برای میهمان مسیر معکوس را بروید: قدرت حمله خارج از خانه میهمان را با ضعف دفاع خانگی میزبان ترکیب کنید. فرض کنید میانگین لیگ در خانه 1.50 گل است، قدرت حمله خانگی تیم اول 1.10 و ضعف دفاع خارج از خانه حریف 0.90. نرخ پایه میزبان 1.50 × 1.10 × 0.90، یعنی تقریبا 1.49 می شود. این محاسبه برای آموزش مدل پواسون پیش بینی فوتبال مناسب است، اما قبل از استفاده باید اثر حریفان خیلی قوی یا خیلی ضعیف را تعدیل کنید. در مدل پواسون پیش بینی فوتبال هر دو نرخ باید از یک تعریف آماری سازگار ساخته شوند.
گام سوم: احتمال تعداد گل ها را حساب کنید
با λ=1.49 برای میزبان، احتمال هر تعداد گل جداگانه محاسبه می شود. برای صفر گل، e^-1.49 تقریبا 22.5 درصد است. برای یک گل، همان مقدار در 1.49 ضرب می شود و حدود 33.6 درصد به دست می آید. برای دو گل، نتیجه قبلی دوباره در 1.49 ضرب و بر 2 تقسیم می شود؛ حدود 25 درصد. این رابطه بازگشتی محاسبه را ساده می کند و خطای تایپی را کاهش می دهد.
همین کار را برای نرخ میهمان انجام دهید. معمولا پوشش صفر تا پنج گل بخش عمده احتمال را شامل می شود، ولی مجموع سطرها باید کنترل شود. اگر لیگ پرگل یا λ بزرگ است، ستون های بیشتری اضافه کنید تا احتمال باقی مانده نادیده گرفته نشود. مدل پواسون پیش بینی فوتبال باید مجموع احتمال نزدیک صد درصد داشته باشد؛ اختلاف بزرگ نشانه اشتباه فرمول یا قطع زودهنگام جدول است.
برای مشاهده ادامه جدول، به چپ بکشید
| تعداد گل میزبان | احتمال با λ=1.49 | کاربرد | کنترل |
|---|---|---|---|
| صفر | حدود 22.5٪ | نتیجه های بدون گل میزبان | e^-λ |
| یک | حدود 33.6٪ | رایج ترین خروجی این مثال | P0 × λ |
| دو | حدود 25.0٪ | خانه های دو بر صفر تا دو بر پنج | P1 × λ ÷ 2 |
| سه | حدود 12.4٪ | سناریوهای پرگل تر | P2 × λ ÷ 3 |
گام چهارم: جدول نتیجه و بازارها را استخراج کنید
برای احتمال یک نتیجه دقیق، احتمال گل میزبان را در احتمال گل میهمان ضرب کنید. اگر احتمال یک گل میزبان 33.6 درصد و احتمال صفر گل میهمان 30 درصد باشد، احتمال نتیجه 1-0 حدود 10.1 درصد است. همه خانه هایی که گل میزبان بیشتر است برای برد میزبان جمع می شوند؛ خانه های قطر اصلی برای مساوی و خانه های زیر قطر برای برد میهمان. این ماتریس قلب مدل پواسون پیش بینی فوتبال است.
برای بازار مجموع گل، خانه هایی را جمع کنید که مجموع دو عدد شرط مورد نظر را تامین می کنند. برای هر دو تیم گل می زنند، فقط خانه هایی را جمع کنید که هر دو عدد حداقل یک است. سپس احتمال مدل را با احتمال ضمنی قیمت مقایسه کنید. مقاله محاسبه مارجین سایت شرط بندی توضیح می دهد چرا پیش از مقایسه، باید حاشیه قیمت ها را بشناسید. خروجی مدل پواسون پیش بینی فوتبال به تنهایی ارزش ایجاد نمی کند؛ تفاوت معنادار و قابل دفاع با قیمت لازم است.
چرا مدل ساده گاهی خطا می کند؟
فرض استقلال گل های دو تیم همیشه برقرار نیست. تیم جلو افتاده ممکن است عقب بنشیند، تیم عقب افتاده ریسک بیشتری بپذیرد و کارت قرمز ساختار بازی را عوض کند. همچنین مدل پواسون پیش بینی فوتبال در نسخه ساده میانگین و واریانس برابر را فرض می کند، در حالی که داده واقعی می تواند پراکندگی متفاوتی داشته باشد. نتیجه های کم گل، به ویژه صفر-صفر و یک-یک، نیز ممکن است رفتار ویژه ای نشان دهند.
پژوهش کلاسیک Dixon و Coles در دانشگاه بریستول یک مدل رگرسیون پواسون پویا را برای داده فوتبال معرفی کرد و برای نتیجه های کم گل تعدیل در نظر گرفت. معرفی دانشگاهی مقاله روشن می کند که داده مطالعه مربوط به دهه 1990 بوده است؛ پس آن را شاهد تاریخی روش بدانید، نه تضمین کارایی امروز. این محدودیت باید کنار هر اجرای مدل پواسون پیش بینی فوتبال نوشته شود.
چطور ورودی ها را به روز و تعدیل کنیم؟
به بازی های تازه وزن بیشتر بدهید، اما وزن را آن قدر زیاد نکنید که یک برد پرگل همه مدل را جابه جا کند. قدرت حریف، خانه یا خارج از خانه، تغییر مربی، مصدومیت بازیکن کلیدی و برنامه فشرده را جداگانه ثبت کنید. هر تعدیل باید دلیل و سقف داشته باشد؛ مثلا به جای افزودن 0.5 گل بر اساس حس، اثر غیبت مهاجم را از تفاوت تولید موقعیت تیم با و بدون او برآورد کنید.
در شروع فصل، میانگین تیم را به میانگین لیگ نزدیک تر کنید تا از بیش برازش جلوگیری شود. بعد از افزایش نمونه، وزن داده اختصاصی تیم را بیشتر کنید. اگر از تقویم فوتبال اروپا برای شناسایی سفر و استراحت استفاده می کنید، تاریخ را صرفا یک علامت خطر بدانید و تاثیر واقعی را در ترکیب و شدت مسابقه بررسی کنید. مدل پواسون پیش بینی فوتبال با تعدیل های کوچک و مستند قابل اعتمادتر از مدلی است که ده ها اصلاح ذهنی دارد.
بک تست و سنجش کیفیت مدل
بک تست یعنی قوانین امروز را روی داده گذشته اجرا کنید، بدون اینکه نتیجه آینده را هنگام ساخت ورودی دیده باشید. فقط درصد پیش بینی درست کافی نیست؛ کیفیت احتمال مهم تر است. اگر به ده رویداد مشابه احتمال 70 درصد داده اید، انتظار دارید حدود هفت مورد رخ دهد. نمودار کالیبراسیون، امتیاز بریر و لگاریتم زیان ابزارهای مناسب تری برای ارزیابی مدل پواسون پیش بینی فوتبال هستند.
داده را به دوره آموزش و آزمون تقسیم کنید. تغییر پارامترها بر اساس دوره آزمون، نتیجه را خوش بینانه می کند. هزینه مارجین و تغییر قیمت را هم وارد کنید. حتی مدلی با کالیبراسیون خوب ممکن است پس از حاشیه بازار مزیت عملی نداشته باشد. مدل پواسون پیش بینی فوتبال زمانی ارزش تحلیلی دارد که در چند دوره و لیگ متفاوت پایداری نشان دهد، نه فقط در یک ماه موفق.
چک لیست اجرای مدل پواسون
- منبع و بازه زمانی گل یا xG را ثبت کنید.
- داده خانه و خارج از خانه را جدا کنید و قدرت حریفان را بسنجید.
- دو λ مستقل و قابل توضیح برای میزبان و میهمان بسازید.
- احتمال صفر تا حد کافی گل را محاسبه و مجموع را کنترل کنید.
- جدول نتیجه را بسازید و احتمال بازارهای مختلف را با جمع خانه ها استخراج کنید.
- حاشیه قیمت، محدودیت مدل و عدم قطعیت ترکیب را یادداشت کنید.
- مدل را خارج از نمونه بک تست کنید و تغییرات را نسخه بندی کنید.
نمونه تصمیم گیری بدون وعده برد
فرض کنید مدل احتمال برد میزبان را 48 درصد و قیمت بدون مارجین بازار آن را 45 درصد نشان می دهد. اختلاف سه واحد درصد ممکن است از خطای ورودی، خبر ترکیب یا نوسان نمونه کوچک باشد. به جای نتیجه گیری فوری، حساسیت مدل را بسنجید: اگر λ میزبان فقط 0.1 کم شود، احتمال برد چقدر تغییر می کند؟ اگر نتیجه به سرعت معکوس شود، برآورد شکننده است.
در آموزش شرط بندی فوتبال ساختار بازارها و قواعد تسویه توضیح داده شده است. ابتدا مطمئن شوید خروجی مدل با همان بازار و همان قوانین مقایسه می شود. مدل پواسون پیش بینی فوتبال ابزاری برای منظم کردن تحلیل است و هیچ فرمولی سود یا برد را تضمین نمی کند.
روبیکس بت
قیمت را در لحظه ثبت و با احتمال بدون مارجین مقایسه کنید؛ هیچ نتیجه ای قطعی نیست.
سوالات متداول
آیا پواسون نتیجه دقیق را قطعی پیش بینی می کند؟
خیر. مدل فقط احتمال مجموعه ای از نتیجه ها را بر پایه نرخ های ورودی می دهد. فوتبال رویدادهای وابسته، تصمیم داور، کارت و تغییر تاکتیک دارد.
برای مدل گل واقعی بهتر است یا xG؟
پاسخ به کیفیت و سازگاری داده بستگی دارد. گل واقعی روشن است اما پرنوسان؛ xG کیفیت موقعیت را بهتر بازتاب می دهد ولی بین ارائه دهندگان تعریف یکسانی ندارد.
چند بازی برای شروع لازم است؟
عدد جادویی وجود ندارد. نمونه بسیار کوچک را به میانگین لیگ نزدیک کنید و با افزایش داده وزن تیم را بیشتر کنید. کیفیت حریفان مهم تر از شمارش خام است.
جمع بندی عملی
فرایند مدل پواسون پیش بینی فوتبال را ساده نگه دارید: داده پاک، دو نرخ گل، جدول احتمال، تبدیل به بازار و بک تست. هر ورودی و تعدیل را بنویسید تا بعدا بتوانید خطا را پیدا کنید. مدل را کنار قیمت بدون مارجین و خبر ترکیب قرار دهید. اگر اختلاف تنها با یک فرض شکننده ایجاد شده، آن را مزیت واقعی ندانید. استفاده مسئولانه یعنی پذیرش عدم قطعیت، بودجه محدود و پرهیز از تعقیب باخت.