Utilizzare le quote di Premier League per prevedere la classifica del campionato

La sezione Risorse per le scommesse presenta diversi interessanti articoli che spiegano come e perché le quote per una partita di calcio su Pinnacle offrono il rendimento migliore e sono tra le più competitive  nel mercato di scommesse sportive online.

Una squadra quotata a 1,50 vince, all'incirca, il 67% delle volte: sapendolo possiamo dire che se una squadra è quotata a 1,50 deve avere una probabilità di vittoria approssimativamente del 67%.

Se conosciamo questi dati possiamo utilizzare le quote di una partita per stabilire se una squadra è stata fortunata o meno e in quale posizione potrebbe terminare la stagione.

In passato ho usato questo metodo per analizzare quanto fosse improbabile la vittoria del Leicester City della Premier League 2015/16. In questo articolo prenderò in considerazione le prestazioni della scorsa stagione e le utilizzerò per provare a fare qualche pronostico sulla stagione 2017/18.

Utilizzare le quote di chiusura di Pinnacle per prevedere le probabilità dei risultati

Le quote di chiusura in un mercato 1X2 nel mercato di scommesse sul calcio di Pinnacle costituiscono probabilmente un'eccellente valutazione delle probabilità "reali" che un dato risultato possa verificarsi. Ovviamente, non possiamo sapere quali siano le reali probabilità prima che si giochi un incontro, ma basandoci su centinaia o migliaia di partite quotate in maniera simile, la percentuale di quelle che sono terminate con i risultati previsti è molto simile alla probabilità che le quote suggeriscono.

In pratica significa che le squadre quotate a 1,50 vincono nel 67% dei casi. Sapendolo possiamo dire che se una squadra è quotata a 1,50 deve avere una probabilità di vittoria approssimativamente del 67%, se quotata a 5,00 le possibilità sono del 20%. 

Togliere il margine per trovare le quote "reali"

Ovviamente per disporre di una misura veramente affidabile della probabilità di un risultato dalle quote della partita, innanzitutto è necessario rimuovere il margine imposto da Pinnacle. Naturalmente, il metodo esatto utilizzato Pinnacle per applicare i suoi margini a quote reali rimarrà un segreto.

Tuttavia, esistono diversi metodi che portano a soluzioni ragionevolmente intuitive che prendono in considerazione la distorsione favorito/sfavorito in cui le quote sugli sfavoriti sono proporzionalmente più basse rispetto a quelle sui favoriti.

Potenzialmente, il mercato delle scommesse sul vincitore della Premier League sopravvaluta ancora il Manchester United come una delle favorite dopo l'era Ferguson.

Uno di questi utilizza la funzione nota come funzione logaritmica. Un logaritmo è definito semplicemente come la potenza a cui un numero deve essere elevato per ottenere un dato numero. Ad esempio, la base del logaritmo 10 di 100 è 2 perché 10 elevato a 2 = 100 e quindi log10100 = 2.

La funzione del logaritmo per applicare un margine sulle quote reali dà per scontato che la stessa potenza si applichi su ogni quota del mercato 1X2. Forse è più semplice da comprendere con un esempio.

Consideriamo le quote reali del mercato 1X2 2,00, 3,00 e 6,00. Applichiamo un margine elevando questi numeri alla potenza di 0,95. Le quote risultanti per il mercato 1X2 saranno 1,93, 2,84 e 5,49 con un margine del 5,2% perché le probabilità implicite sono del 105,2%. Si può notare che la quota più alta è stata abbassata considerevolmente di più (del 9,4%) rispetto a quelle delle quote sul favorito (del 3,5%).

Per trovare le quote reali di un mercato 1X2 è necessario, semplicemente, invertire questo processo. Il modello "funzione logaritmica" è intuitivo e concorda con la principale teoria economica standard del rischio e dell'utilità. 

Presupponendo una sensibilità logaritmica ai rischi, uno scommettitore potrebbe considerare la differenza tra 2,00 e 1,93 uguale a quella tra 6,00 e 5,49. La quota più alta è maggiore di quella più bassa, ma si può dire che gli scommettitori siano meno propensi a giocare su eventi con probabilità inferiori e perciò non si concentreranno molto su una quota che proporzionalmente offre meno valore.

Simulare i risultati di calcio e i punti ottenuti in campionato con il metodo Monte Carlo

Una volta che sono state calcolate le probabilità di un risultato dobbiamo decidere il risultato di una partita. Ovviamente nel mondo reale lo si può sapere solamente quando la partita è finita, ma in questo caso siamo interessati ai risultati previsti.

Utilizzando le quote per le partite come modello, tutte le squadre hanno terminato il campionato in un raggio di quattro posizioni rispetto a quella prevista nell'aspettativa e in sei hanno concluso esattamente nella stessa posizione.

Comeil valore previstoe i goal previsti, questo è semplicemente un metodo per stabilire cosa dovrebbe accadere secondo i parametri del modello di previsione ; in questo caso le probabilità previste di un risultato considerando le quote di chiusura di Pinnacle.

Un metodo per simulare i risultati previsti è quello di rendere casuali i risultati di migliaia di incontri utilizzando una simulazione Monte Carlo. Se il numero casuale generato è inferiore alla probabilità di un dato risultato, si assegna quel risultato alla partita (ovvero è successo), se è superiore alle probabilità si assegna il risultato non valido (ovvero non è successo).

Ripetendo questo processo per le 38 partite di un'intera stagione per ogni squadra possiamo simulare il numero di punti previsti. Il metodo Monte Carlo ci offre una distribuzione normale dei punti previsti totali per ogni squadra. Utilizzando le quote di chiusura di Pinnacle per la stagione 2016/17, questi sono i punti previsti per i campioni del Chelsea, i vincitori della stagione precedente del Leicester City e il Sunderland che è retrocesso.

La media dei punti totali previsti per il Chelsea secondo questo modello è di 77,7. In realtà sappiamo che hanno concluso la stagione con 93 punti e questo può significare due cose.

Innanzitutto, questo modello potrebbe non essere un metodo completamente accurato per prevedere la classifica di Premier League. In realtà, secondo le reali quote delle partite il Manchester City avrebbe dovuto vincere il titolo la scorsa stagione con un punteggio totale previsto di 81,3. Ovviamente nessun modello è completamente accurato, ma alcuni sono migliori di altri.

Presupponendo una sensibilità logaritmica al rischio, uno scommettitore potrebbe considerare la differenza tra 2,00 e 1,93 uguale a quella tra 6,00 e 5,49.

In secondo luogo, si sa che le previsioni di un modello sono normalmente più severe rispetto a quello che accade nella realtà, con una differenza di punti totali previsti tra le squadre inferiore a quelle reali. Il Sunderland, che è retrocesso con 24 punti ha un totale previsto, secondo le quote della sua stagione, di 32,1. Questo significa che, mentre il Chelsea è stato più fortunato del previsto, il Sunderland è stato più sfortunato.

La teoria del punteggio reale ci dice che il risultato osservato è uguale a (la varianza della) capacità più (la varianza della) fortuna. Il modello di previsione considera solamente le capacità e non la fortuna.

Nonostante queste problematiche, utilizzare le quote di un incontro per creare un modello sulla classifica finale è un metodo piuttosto accurato, almeno per quanto riguarda le posizioni. Nessuna squadra ha terminato il campionato in un raggio superiore a quattro posizioni rispetto a quello previsto, sei hanno terminato esattamente come previsto dal modello e in cinque hanno registrato una discrepanza di una sola posizione.

Pronostici Premier League: utilizzare direttamente le quote

Un altro metodo per simulare i risultati e i punti è quello di saltare il metodo Monte Carlo. Se la squadra di casa ha una quota reale di 2,00, mentre il pareggio è a 3,00 e la vittoria esterna a 6,00, questo implica che i punti totali previsti per la partita sono (50% x 3 punti) + (33,3% x 1 punto) + (16,67% x 0 punti) = 1,833 punti. Al contrario la squadra ospite avrebbe 0,833 punti previsti per questa partita.

Il modello più semplice per prevedere la classifica della Premier League 2017/18 è dare per scontato che i risultati passati siano la chiave per prevedere il futuro.

Un metodo di Monte Carlo con un numero di ripetizioni sufficientemente elevato giunge alla stessa conclusione, ma questo metodo è una scorciatoia più semplice. Per dimostrare l'equivalenza, i punti totali previsti per i due metodi sono messi a confronto di seguito. Tuttavia, il suo difetto quando è messo a confronto con il metodo di Monte Carlo è che non ci offre una misura dell'errore e della variazione. Di conseguenza non si è in grado di stimare le probabilità che una squadra termini in una posizione specifica del campionato.

Previsioni per la stagione 2017/18 di Premier League

Il modello più semplice per prevedere la classifica della Premier League 2017/18 è dare per scontato che i risultati passati siano la chiave per prevedere il futuro. Oltre ad altri fattori come il trasferimento di nuovi giocatori, la seguente tabella mostra il numero di volte in cui ogni squadra (non retrocessa) è finita prima nella classifica del campionato 2016/17 nelle 100.000 ripetizioni Monte Carlo e per estensione la probabilità di vittoria delle quadre nel 2017/18 e le loro quote reali implicite. Questi dati sono poi messi a confronto con le quote per la vittoria del campionato offerte prima dell'inizio della stagione da Pinnacle per identificare il valore potenziale.

Secondo il nostro modello il Manchester City, il Chelsea, l'Arsenal e il Liverpool offrono tutti un certo tipo di valore. Questo a discapito del Manchester United e in misura inferiore del Tottenham. Potenzialmente, il mercato delle scommesse sul vincitore della Premier League sopravaluta ancora il Manchester United come una delle favorite dopo l'era Ferguson. Comprensibilmente, il modello non ha considerato gli importanti acquisti estivi del Manchester United, vale a dire Romelu Lukaku e Nemanja Matic.

Un processo bayesiano

Un difetto significativo di questo modello è che necessita di una stagione intera di risultati per essere in grado di generare deduzioni su quella successiva. Tuttavia, non c'è alcuna ragione per cui non dovremmo utilizzarlo per questa ragione. Piuttosto, possiamo scegliere di usare il modello basandoci sulle partite giocate fino a un dato momento o in un ciclo continuo utilizzando le ultime 38 giornate, aggiornando le probabilità e le quote di vittoria del campionato implicite a ogni giornata.

Ovviamente dovremo anche tenere in considerazione i punti reali già conquistati durante la stagione. Un approccio bayesiano di questo tipo simula un metodo di deduzione statistica in cui la probabilità per un'ipotesi viene aggiornata quando diventano disponibili nuove prove o informazioni. Possiamo anche ripetere questa metodologia per altri mercati come le scommesse sulle squadre che retrocederanno o che termineranno tra le prime quattro in Premier League.

Nonostante sia un modello semplice, è evidente che effettui pronostici che non sono molto diversi da quelli dei trader di Pinnacle.