模型方法论
本站使用自研足球预测模型 v3（2026-10-12 迭代）＋ 欧冠跨联赛 v0（实验）。本页写清模型怎么算、回测结果如何、以及它不知道什么。
一、模型架构
- 数据层：football-data.co.uk，10 联赛 × 2022/23–2026/27 赛季，15,841 场（含 Pinnacle 收盘赔率）；欧冠扩展后为 14 联赛、21,178 场。
- 特征层：Elo 评分（252 队，K=20，主场 +75）＋ 近 5 场状态（得分 / 进球 / 失球 / 射正，主客场拆分）＋ 休息天数。
- 模型层：
- ① Dixon-Coles：比分分布模型（MLE + L-BFGS-B，时间衰减半衰期 400 天，每联赛独立拟合）
- ② GBM-pure：梯度提升树，不含赔率特征
- ③ GBM-full：含 Pinnacle 隐含概率特征（仅作参考展示）
- 纯模型（★的唯一依据，不吃赔率）：0.85 × Dixon-Coles + 0.15 × GBM-pure
- 含赔率集成（仅参考）：0.4 × DC + 0.3 × pure + 0.3 × full
为什么纯模型不吃赔率：GBM-full 把市场赔率当特征吃进去，再用它算 edge 是循环论证，会把分歧吸向市场。所以分歧只看不含赔率的纯模型。
二、★ 的定义
- 1X2 分歧★：edge = 纯模型概率 − 去水市场隐含概率，> +5% 为★。
- 让球★：从 DC 比分矩阵精确计算期望收益（处理走水 / 半赢），> +5% 为★。
- 大小球★：射正 Poisson 回归模型（v3.3，样本外 p=0.0006），期望收益 > +5% 为★。
- BTTS：仅参考展示，不生成★（样本外不显著，p=0.29）。
- 禁区规则："主场强队 + 市场大球极限定价"的小球★暂列禁区，不发布。
三、回测结果（诚实版）
| 指标 | 结果 | 说明 |
|---|---|---|
| 1X2 准确率 | 46.1%（10 联赛，4,346 场样本外） | 三分类正常水平 |
| 纯模型 logloss | 1.0425（权重优化后，配对 t 检验 p<0.0001） | 优于 0.5/0.5 权重 |
| edge > 5% 回测 ROI | −6.8% ± 5.2% | 仍为负，无稳定盈利能力 |
| 大小球回测 ROI | +2.4% ± 4.2% | 不显著 |
结论：v3 是更好的概率引擎，但打 Pinnacle 收盘依然无 edge——合格概率引擎，不是印钞机。
四、模型不知道什么（局限说明）
- 伤停 / 阵容：模型没有阵容数据。球员停赛、伤病潮不会反映在概率里（如本轮利物浦伤停潮），这类场次的★需要定性复核。
- 极端概率校准：纯模型平局 > 0.35 时历史实际平局率仅约 26%；最大概率 > 0.80 时历史实际胜率约低 12pp。预测页对这类情况有提示，但不修改概率。
- GBM-pure 校准：平局概率系统性虚高（预测 0.49 档实际仅 0.27），是早期"平局★噪音"的来源；0.85/0.15 权重减轻但未根治。
- 盘口★未验证盈利性：历史无盘口赔率数据，让球 / 大小球★的盈利性无法回测验证。
- 欧冠跨联赛 v0：零样本外验证；跨联赛强度校准用欧足联协会系数阻尼收缩，但未验证；涉及非 Top5 联赛的★降级为参考。全部打实验标签。
- 不在拟合中的球队：如考文垂这类球队不在 DC 拟合中，模型输出不可信，直接标注无★。
五、被否决的尝试（同样记录）
- stacking / 条件加权：样本外全军覆没，没有任何 stacking 打败最优固定权重。
- xG 特征：7,379 场严格样本外回测，GBM-pure + xG 无改善；xG 与已有进球 / 射正高度冗余，未进生产。
- 平局收缩 / 概率截断：多重检验下不显著或增益仅约 0.002，未采纳。
- 阶段分支（按轮次硬编码）：联赛早期 / 中期 / 晚期平局率差异仅约 1pp，无法成立。