Del ett: Momentum i tennismatcher

I en tidigare artikel förklarade jag hur man bygger en sannolikhetsmodell för tennis utifrån spelarnas serveprocent. Jag visade hur den modellen kan användas till att bedöma vinstsannolikheter (och i förlängningen rättvisa odds) för gem, set och matcher. Modellen var begränsad eftersom den inte tog hänsyn till momentum under pågående match, och kunde därför inte utökas till att omfatta total- eller handikappspel.

Momentum-effekten är mindre mellan andra och tredje set än mellan första och andra

I den här artikeln bygger jag vidare på den modellen med målet att analysera och sätta ett värde på momentum mellan set. Återigen ligger serveprocent till grund för modellen.

Set-momentum

Momentum är en viktig faktor i tennismatcher. I artikeln Odds och statistik för set i tennis visade jag att spelare som vunnit första set har större sannolikhet att vinna även andra set (när man tagit hänsyn till oddsen innan matchen). De spelarna presterade i genomsnitt 16 % bättre i andra set i alla ATP-matcher sedan 2010. Detta visas i nedanstående diagram.

Generellt minskar effekten i takt med att spelarnas implicita vinstsannolikheter ökar. Med andra ord brukar underdogs föra med sig större momentum till andra set än favoriter.

Genom att konvertera diagrammet till implicita odds blir detta förhållande tydligt. Exempel: en spelare som enligt oddsen har 11–20 % chans att vinna matchen bör i genomsnitt ha ett rättvist odds på 4,78 för andra set. Men om spelaren vunnit första set sänks det implicita oddset för andra set till i genomsnitt 3,0.

På samma sätt har en spelare som jämnar ut ställningen till 1–1 i set genom att vinna set två större chans att vinna set tre. Momentum-effekten är mindre mellan andra och tredje set än mellan första och andra. Effektens storlek är i genomsnitt bara 1,4 %.

Vad momentum mellan set innebär för vår modell är att vi behöver uppdatera grundsannolikheterna (och därmed även serveprocentsatserna) för att spegla det som förväntas ske under matchen. Vi börjar med att analysera momentum-effekten mellan första och andra set.

Momentum mellan första och andra set

Tidigare analyser visar att vinstsannolikheterna för set och match kan modelleras med hjälp av skillnaden mellan spelarnas serveprocent. Diagrammet nedan visar hur en skillnad i serveprocent påverkar sannolikheten att vinna ett set. En spelare som till exempel vinner 4 % fler servepoäng än sin motståndare väntas vinna 64 % av sina set.

Utifrån detta förhållande kan vi uttrycka vinstsannolikheten i andra set för en spelare som redan vunnit första set som den motsvarande ökningen av serveprocenten. Detta visas i följande diagram. Om en spelare som till exempel getts 65 % chans att vinna matchen innan den startade (implicit odds på 1,54) vinner första set bör den spelarens serveprocent i andra set öka med 2,3 %.

Momentum mellan andra och tredje set

Med tanke på att det inte finns någon urskiljbar trend i de implicita sannolikheterna antog jag att vinnaren av andra set hade en fast fördel på 1,4 % i tredje set. Det motsvarar en serveprocentjustering på 0,45 % i förhållande till serveprocenten före match.

Hur ser modellen ut?

Jag simulerade modellen för 150 000 matcher genom att variera spelarnas serveprocent. Diagrammet nedan visar förhållandet mellan modellens vinstsannolikheter för match och set. Det visar även samma förhållande för alla ATP-matcher sedan 2010. Diagrammet tyder på att modellen ger en god uppskattning av faktiska setresultat.

Nu ska vi ta en titt på sambandet mellan vinstsannolikheterna i andra och tredje set för spelare som redan vunnit första respektive andra set. Diagrammet nedan jämför modellen med alla ATP-matcher sedan 2010.

Återigen tycks modellen vara väl kalibrerad. Nästa steg är att ta reda på hur träffsäkert modellen bedömer sannolikheterna för totaler och handikapp. De data som jag utgick från i den här analysen innehåller visserligen inte total- eller handikappodds för varje match, men vi kan jämföra faktiska matchutfall med modellens simuleringar.

Vi börjar med att titta på matcher som på förhand väntades vara jämna, det vill säga där varje spelares implicita vinstsannolikhet ligger mellan 40 och 60 %. Jag simulerade 30 000 matcher (kring den genomsnittliga ATP-serveprocenten på 64 %) och antecknade totalerna och handikappen. Dessa jämförs i diagrammen nedan med de över 6 000 ATP-matcher som fallit inom detta implicita sannolikhetsspektrum sedan 2010.

Även om modellen tycks vara hyfsat väl kalibrerad märker vi att den underskattar gemtotaler på mellan 12 och 18 (när förloraren vinner högst sex gem) och överskattar totaler på över 30.

Den andra stora avvikelsen är överskattningen av totaler på 22 och 23, och underskattningen av totaler på 26. Det leder i sin tur till att modellen överskattar små handikapp och överskattar stora.

Hur ser det ut för mer ojämna matcher? Diagrammet nedan visar gemtotaler för implicita sannolikheter på 60–80 % (motsvarande 20–40 % för motståndaren).

Modellens svaghet gör sig påmind här också. Vad är det egentligen som pågår? Diskrepansen tyder på att det inte är tillräckligt dynamiskt att bara uppdatera serveprocenten (och därmed även sannolikheterna) i slutet av varje set. Egentligen borde man justera serveprocenten efter varje gem – allra helst efter varje poäng.

Om en spelare leder med 3–0 i första set bör spelarens serveprocent inte bara uppdateras för andra set men även för resten av första. Ett första set som slutat 6–2 har därmed större inverkan på oddsen för andra set än ett jämnare första set som till exempel slutat 7–5.

Genom att kvantifiera och införliva dessa faktorer bör diskrepansen mellan modellen och faktiska ATP-matcher försvinna, och då kan modellen ge mer träffsäkra odds på alla primära tennismarknader. Den analysen visas i del två av den här artikeln.

För att få full nytta av våra oslagbara odds bör du läsa fler av Pinnacles speltips skrivna av experter.