Construção de Modelos Preditivos para Mercado Esportivo

Aula 7

Construção de Modelos Preditivos para Mercado Esportivo

Sem modelo, cada decisão de entrada é influenciada pelo resultado da última posição, pelo humor do dia, pela opinião de terceiros, pela memória seletiva. Com modelo, cada decisão é o output de um sistema que trata todos os eventos com o mesmo critério objetivo.

A diferença entre o participante amador e o profissional não está na capacidade de prever — está na capacidade de construir sistemas que tornam a previsão consistente e mensurável.

Dados de Entrada

Pré-Processamento

Modelo Preditivo

Probabilidades Calibradas

Forma Recente

Métricas Ataque/Defesa

Variáveis de Contexto

Dados de Entrada -> Pré-Processamento

Pré-Processamento -> Modelo Preditivo

Modelo Preditivo -> Probabilidades Calibradas

Dados de Entrada -> Forma Recente

Dados de Entrada -> Métricas Ataque/Defesa

Dados de Entrada -> Variáveis de Contexto

Arquitetura de um Modelo de Match Odds

Um modelo para o mercado 1X2 segue uma arquitetura em pipeline, onde cada etapa transforma os dados brutos em informação progressivamente mais refinada.

Camada 1 — Dados de Entrada

Forma recente: Golos marcados e sofridos nos últimos 5 jogos (casa/fora separados). O mercado reage fortemente à forma recente, mas fá-lo de forma linear — uma equipa que ganhou 4 dos últimos 5 é tratada como equivalente a outra com o mesmo registo, independentemente da qualidade dos adversários.

Métricas de ataque e defesa: xG criado e sofrido, remates à baliza por jogo, posse de bola, pressão alta (PPDA), passes no último terço. O xG (Expected Goals) é particularmente valioso porque estabiliza mais rapidamente do que os golos reais — uma equipa pode ter 3 jogos com xG de 2.5, 2.8, 2.1 e marcar 0, 4, 1 golos. O xG revela a criação de oportunidades que os golos não mostram.

Variáveis de contexto: Dias de descanso, distância de viagem, temperatura esperada, precipitação, hora do jogo, árbitro escalado. O Benfica a jogar em casa após 7 dias de descanso contra o Gil Vicente que viajou 350km e jogou à quinta-feira na Taça — esta assimetria de contexto raramente está totalmente refletida nas odds de abertura.

Exemplo de mercado

O viés do calendário europeu — Sporting pós-Liga Europa

Contexto

Sporting joga na quinta-feira na Liga Europa em Itália e volta a jogar no domingo na Primeira Liga, fora, contra o Famalicão. O mercado abre com o Sporting favorito a 1.90.

Leitura de preço

Odd de abertura: 1.90 (probabilidade implícita 52,6%). Após 24h de movimento, ajusta para 2.00 (50,0%).

Hipótese

Um modelo que inclui dias de descanso (< 72h), distância de viagem (> 2000km) e intensidade do jogo europeu (medida por quilómetros percorridos) pode detetar que a probabilidade real do Sporting está abaixo dos 50%, gerando edge significativo ao posicionar-se contra.

Risco

O treinador do Sporting pode rodar a equipa na Europa, mitigando a fadiga. Sem uma variável de intensidade real (minutos jogados pelos titulares), o modelo pode sobrestimar o cansaço.

Camada 2 — Pré-Processamento

Dados brutos raramente entram diretamente no modelo. Exigem transformação:

Normalização: Escalar variáveis contínuas para o intervalo [0,1] ou média 0, desvio padrão 1. Uma variável como “distância de viagem” pode variar entre 0 e 5000 km — sem normalização, dominaria o modelo.

Encoding de variáveis categóricas: Árbitro, estádio, treinador — transformar em representação numérica.

Feature engineering: Criar variáveis derivadas que capturam interações que as variáveis base não capturam. Exemplos: índice de fadiga (dias descanso × intensidade do último jogo × minutos dos titulares), índice de motivação (posição na tabela × diferença de pontos ao adversário × fase da época), força do adversário recente (média da classificação dos últimos 5 adversários).

Camada 3 — Escolha do Algoritmo

Cada algoritmo tem trade-offs específicos que o analista precisa de conhecer antes de escolher:

Fórmula 7.1

Regressão Logística Multinomial — Baseline

P(desfecho = k | X) = exp(X * B_k) / Soma(exp(X * B_j))

A regressão logística estima a probabilidade de cada desfecho (casa, empate, fora) como uma função linear das variáveis de entrada, passada por uma função softmax que garante que as probabilidades somam 1. É interpretável, rápida e calibrada naturalmente.

Regressão Logística: O baseline obrigatório. Interpretável — consegues ver exatamente quanto cada variável contribui para a probabilidade final. Rápida para treinar e fazer inferência. Calibração natural (as probabilidades de saída tendem a ser bem calibradas). A desvantagem é que assume relações lineares entre as variáveis e o log-odds — não captura interações complexas a menos que sejam explicitamente codificadas.

Random Forest: Conjunto de árvores de decisão que captura não-linearidades automaticamente. Robusta a outliers. Não assume distribuição específica dos dados. Desvantagem: tende a sobreajustar se não houver controlo de hiperparâmetros, e não é tão calibrada naturalmente — requer calibração pós-modelo.

XGBoost: Estado da arte para dados tabulares. Lida bem com missing values, captura interações complexas, tem regularização embutida para evitar overfitting. Mais lento de treinar, mais hiperparâmetros para ajustar, mas geralmente superior em performance preditiva.

Redes Neuronais: Requerem muitos dados (milhares de jogos) para começar a ser superiores ao XGBoost. São black boxes — difíceis de interpretar. Só recomendadas quando tens mais de 10.000 jogos no dataset de treino.

Modo de falha

Começar pelo algoritmo mais complexo

A tentação de usar XGBoost ou redes neuronais logo à partida é grande — parecem mais impressionantes. Mas sem um baseline de regressão logística, nunca sabes se a complexidade adicional está realmente a trazer valor. 80% das vezes, a logística com boas variáveis bate XGBoost com variáveis fracas. A qualidade das variáveis é o fator dominante, não a sofisticação do algoritmo.

Camada 4 — Calibração de Probabilidades

Um modelo pode ter excelente discriminação (sabe separar vitórias de derrotas) mas calibração terrível (as probabilidades que produz não correspondem às frequências reais). Um modelo que diz 70% para 100 eventos onde a frequência real é 55% — tem boa discriminação mas calibração péssima.

Fórmula 7.2

Platt Scaling

P_calibrada(y=1|x) = 1 / (1 + exp(A * f(x) + B))

O Platt Scaling ajusta as probabilidades brutas do modelo usando uma regressão logística com dois parâmetros (A e B), otimizados para minimizar o log loss num conjunto de validação. O método isotónico (Isotonic Regression) é mais flexível mas requer mais dados para não sobreajustar.

Curva de calibração: Agrupa as previsões em 10 bins (0-10%, 10-20%, etc.). Para cada bin, calcula a frequência real dos eventos. A curva ideal é y=x — quando o modelo diz 40%, o evento acontece 40% das vezes. Desvios revelam sub ou sobrestimação sistemática.

Métricas de Avaliação

Log Loss (Cross-Entropy): A métrica principal. Penaliza previsões confiantes que estão erradas. Quanto mais baixo, melhor. Log loss < 1.00 é bom, < 0.90 é excelente para mercado 1X2.

Brier Score: Média do erro quadrático entre probabilidade prevista e desfecho real. Brier < 0.20 é aceitável, < 0.18 é bom.

AUC-ROC: Mede a capacidade do modelo de discriminar entre classes. AUC > 0.65 é bom para 1X2, > 0.70 é muito bom.

ROI em backtest: O teste final. Um modelo pode ter métricas excelentes mas não gerar ROI porque o mercado já incorpora a mesma informação. ROI de backtest > 5% é promissor.



    01
    model
    =
    LogisticRegression
     // começa com o baseline
  
    02
    features
    =
    gols_casa_ult5, gols_fora_ult5, xg_diff, descanso, viagem
    
  
    03
    train_test_split
    =
    0.80 / 0.20
    
  
    04
    calibration
    =
    IsotonicRegression
    
  
    05
    log_loss
    =
    0.87
     // métrica principal < 0.90 é excelente
  
    06
    brier_score
    =
    0.172
    
  
    07
    auc_roc
    =
    0.69
    
  
    08
    roi_backtest
    =
    +7.3%
     // 420 posições, 3 épocas

Checklist de decisão

Checklist: Construção de Modelo Preditivo

Defini as variáveis base (forma, xG, contexto) antes de escolher o algoritmo?
Separei os dados em treino, validação e teste antes de qualquer análise?
Comecei com regressão logística como baseline?
Calibrei as probabilidades pós-modelo (Platt/Isotonic)?
Avaliei o modelo em múltiplas métricas (log loss, Brier, AUC, ROI)?
Testei o modelo em dados fora-da-amostra (época diferente do treino)?
O edge estimado pelo modelo justifica o custo de transação (overround)?

Resumo

Um modelo não precisa de ser perfeito — precisa de ser consistente, calibrado e auditável
A qualidade das variáveis de entrada é mais importante que a complexidade do algoritmo
xG é superior a golos reais como preditor porque estabiliza mais rapidamente
Calibração (Platt Scaling / Isotonic Regression) é crítica para que as probabilidades sejam úteis para encontrar edge
Começa simples (regressão logística), estabelece baseline, adiciona complexidade apenas quando o baseline estiver a ser superado consistentemente
Log loss é a métrica principal; ROI em backtest é o teste final

Construção de Modelos Preditivos para Mercado Esportivo