本文基于2007–08至2025–26赛季共7,220场意甲比赛,检验Dixon–Coles结构模型是否能够为去除水位后的收盘赔率提供增量信息。结果显示,市场RPS为0.1905,优于模型的0.1972,结构模型在对数意见池中的拟合权重为0.000,且验证期与测试期的损失均随模型权重上升而单调增加。 基于射正次数构建的过程模型相对进球模型权重为0.35,但相对市场仍为0.000,说明不同结构信号均已被收盘价格吸收。 结构模型虽然预测区分度较弱,却具有更好的主胜概率校准表现,研究进一步提出“比赛杠杆”指标,用于衡量单场比赛对球队赛季目标实现概率的影响。
| 预测方法 | 测试期RPS | 其他结果 |
|---|---|---|
| 去水后的市场价格 | 0.1905 | 7个测试赛季均优于进球模型 |
| Dixon–Coles进球模型 | 0.1972 | 准确率53.4% |
| 基准率预测器 | 未在原文表1中列出 | 测试期准确率40.6% |
| 指标 | 结构模型 | 市场 |
|---|---|---|
| 主胜校准斜率 | 0.995 | 1.103 |
| 重新校准温度 | 0.99 | 未报告 |
| 主要特征 | 更接近概率真实含义 | 更具预测锐度 |
报告题为 《Does a Structural Model Add Anything to the Closing Price? Calibrated forecasting, incremental information, and match leverage in the Italian Serie A》,作者为 Yannik Pitcan,发布日期为 2026年8月,主题是意大利足球甲级联赛中结构化比赛预测模型与博彩市场收盘价之间的增量信息关系,并进一步讨论如何将概率预测用于衡量单场比赛对俱乐部赛季目标的“杠杆”。
报告的核心问题不是“模型能否比随机猜测更准确”,而是“结构模型是否包含收盘赔率尚未吸收的信息”。作者使用对数意见池,将市场概率与结构模型概率按照权重进行组合;如果模型权重为零,则意味着加入模型不能改善市场预测。 报告的主要结论是:在2007—08至2025—26共19个完整赛季、7,220场比赛中,Dixon–Coles进球模型相对于去水后的收盘市场价格没有可识别的增量信息;以射正次数为基础的过程模型虽然相对进球模型有信息增量,但相对于市场同样没有增量。
需要注意的是,报告并非认为结构模型完全无用。模型在主胜概率的校准方面优于市场,只是市场预测更加“尖锐”,即更能区分不同比赛的胜负概率。作者因此将模型的实际价值从“打败市场预测比赛结果”转向“把校准后的概率用于赛季模拟和决策”,并提出“比赛杠杆”概念。
足球比赛存在一个特殊条件:有持续更新、公开可观察的博彩市场价格,因此市场收盘赔率可以被视为强有力的外部基准。 对三分类比赛结果而言,统一随机猜测的33%并不是合理的下限,因为主场优势使主胜成为多数类别;报告样本中主胜率为44.1%,因此仅预测多数类别就能得到44.1%的准确率。
报告还指出,过去一些研究将博彩公司赔率作为分类器输入特征,再把该分类器的准确率与博彩公司本身比较,这种设计实际上让模型消费了市场信息,却把接近市场的表现解释为模型能力。 这种方法不能证明模型具有独立信息,最多说明模型没有完全丢弃市场信息。
因此,作者认为真正重要的评价问题是边际贡献:在已经知道市场价格的情况下,模型是否还能降低对数损失或RPS,而不是模型单独是否超过33%的随机基准。
本报告部分源于作者对自己2018年研究的修正。早期研究报告十个赛季的三分类准确率为53.0%,并与55.3%的博彩市场准确率进行有利比较,但其基准、特征输入和若干计算存在问题。
报告重新计算发现,原测试集文字声称有320场比赛,但两张混淆矩阵合计均只有218场;其中一张标记为“Linear SVM”的表,其对角线准确率实际上对应AdaBoost结果,属于标签错误。 更严重的是,原研究中“永不预测客胜”的规则已经能获得72.5%的客胜相关准确表现,而多个模型并未显著超过这一简单规则;线性SVM的主胜准确率57.8%也等于“永不预测主胜”的常数规则表现。
此外,原研究的时间加权特征未按权重总和进行归一化,导致五场比赛加权特征的尺度约为未加权特征的1/8.7,且衰减参数只是人为设定而非拟合。 这些问题说明,足球预测研究尤其容易受到基准选择、样本量、特征泄漏和实现细节的影响。
报告使用football-data.co.uk数据,覆盖19个完整Serie A赛季、7,220场比赛,包含比赛日期、主客队、全场比分、赛果、射门、射正、角球及博彩公司价格。 Bet365开盘价格覆盖全部赛季,Pinnacle开盘和收盘价格自2012—13赛季起可用;在可用时,作者优先使用Pinnacle收盘价格,因为其通常具有较低利润率和较高限额,被认为是更尖锐的公开市场预测。
样本存在明显的俱乐部流动性问题:只有8支球队出现在全部19个赛季,许多球队仅出现一两个赛季,因此模型必须处理升降级球队历史数据不足的问题。 同时,主场优势在样本期内显著下降,主胜率从2007—13年的47.5%下降至2023—26年的40.2%,主队进球与客队进球之比也从1.38降至1.14。 这为时间衰减建模提供了现实依据,因为不加时间权重会高估当前主场优势。
图1横轴为赛季起始年份,纵轴为主胜率;红色折线显示各赛季实际主胜率,灰色虚线为线性趋势。 图中早期主胜率大致位于46%—51%之间,2008赛季超过50%,但2014赛季附近一度跌至40%,随后虽有反弹,长期趋势仍向下,2025赛季约为39%。 该图支持作者关于“主场优势持续削弱”的判断,也解释了为何模型不能采用固定历史主场参数,而需要通过衰减机制强调近期数据。,
原始十进制赔率的倒数之和大于1,超出部分就是博彩公司利润率。作者没有简单进行比例归一化,而是采用Shin模型估计内幕交易者比例 (z),再据此去除赔率水分。 全部17,479组完整赔率中,(z)的中位数为0.017,最大值为0.061,说明市场利润和潜在信息不对称被显式纳入了市场概率转换。
模型为每支球队设置进攻参数和防守参数,并加入主场优势参数;主客队进球率分别由球队进攻、防守能力和主场因素决定。 在独立Poisson模型基础上,Dixon–Coles方法针对0—0、0—1、1—0、1—1四个低比分单元进行相关性修正,以解决低比分比赛中的系统性拟合偏差。,
模型使用指数衰减权重 (w(\Delta t)=e^{-\xi\Delta t}),越近的比赛权重越大。通过验证集网格搜索,作者选择每日衰减率 (\xi=0.002),对应约347天半衰期,明显慢于Dixon和Coles对20世纪90年代英格兰数据估计的0.0065。
图2显示验证集RPS随衰减率变化,横轴是每日衰减率,纵轴是RPS,数值越低越好。 当衰减率从0增加到约0.002时,RPS从约0.1955下降到约0.1938,随后随衰减率继续提高而上升,在0.018附近达到约0.2058。 因此,完全不衰减并非最优,但过度强调近期比赛也会损害预测;图中的虚线标记了内部最优点0.002,表明作者选择的是验证集支持的中等记忆长度,而不是任意指定参数。
模型还处理了参数可识别性问题:进攻和防守参数同时平移会留下相同的进球率,因此作者对进攻参数施加和为零约束,并对训练窗口中没有历史记录的升班马使用按比赛暴露量加权的联赛均值。
为检验进球噪声是否导致结构模型失败,作者把完全相同的框架应用于射正次数,再通过联赛层面的进球转化率将射正转换为进球率。 主队和客队转化因子分别为0.309和0.317;作者没有采用俱乐部层面的转化率,因为俱乐部短期射门转化差异正是希望剔除的噪声。 该模型没有沿用进球模型的低比分修正,而是对转换后的进球率采用独立Poisson,这构成一个明确的方法差异。
主要指标是Ranked Probability Score,即RPS。由于主胜、平局、客胜具有顺序关系,RPS会对“非常自信地预测主胜但实际客胜”的错误施加比“预测主胜但实际平局”更重的惩罚。 报告同时使用对数损失、Brier分数和准确率,但准确率仅用于与既有文献比较。
所有预测均采用严格的walk-forward方式:参数只能使用预测时点以前的比赛,随后预测未来两周,再在下一个起点重新估计。 超参数、池化权重和校准温度在2013—14至2018—19验证期的2,280场比赛上确定,2019—20至2025—26共2,660场比赛作为测试期只评分一次。
表1比较测试期内市场与结构模型的RPS,样本量为2,660场,RPS越低越好。 市场RPS为0.1905,结构模型为0.1972,结构模型减市场的差值为+0.0067,95%置信区间为[0.0046,0.0088],因此市场优势不仅为正,而且具有统计上的稳定性。
结构模型准确率为53.4%,略高于2018年研究的53.0%,但新增九个赛季、改进似然函数、拟合衰减率并避免信息泄漏,只带来0.4个百分点改善。 作者据此认为三分类准确率接近实际可达到的上限,继续优化准确率的边际回报很低。
表2报告各测试赛季的平均RPS,图3则以折线形式呈现市场、进球模型和射正模型的逐赛季表现。
图3中蓝色市场曲线在2019—20至2025—26每一个赛季都低于红色进球模型和橙色射正模型。 市场RPS大约在0.182—0.197之间波动,进球模型约在0.188—0.207之间,射正模型多数年份又略高于进球模型。 表2所述市场领先幅度为0.0044至0.0101,没有任何一个测试赛季出现结构模型反超市场的情况。 这使结论不太可能仅由某一个异常赛季驱动。
对数意见池的形式是将市场概率和结构模型概率按权重进行几何组合并重新归一化。权重为0意味着完全采用市场,权重为1意味着完全采用结构模型。
图4显示,无论验证期还是测试期,随着结构模型权重从0增加到1,平均对数损失均单调上升,因此最优点位于边界 (w=0)。 表3进一步显示,进球模型相对于市场的拟合权重为0.00,射正模型相对于进球模型的权重为0.35,但射正模型相对于市场的权重仍为0.00;在三模型池中两个结构模型也同时降为零。
这一区分非常重要:射正模型确实比进球模型提供了不同信息,但市场已经吸收了这部分信息,所以“模型之间有互补信息”不等于“模型对市场有增量信息”。
作者还将权重范围扩展至[-1,1],发现验证期的无约束最优值为0.225,而不是负值;冻结该权重应用于测试期后,对数损失改善仅0.00062,置信区间[-0.00105,0.00231],RPS改善0.00021,置信区间[-0.00029,0.00071],均包含零。 作者将这种潜在改善解释为对市场概率进行“温度校正”或锐化,而非结构模型真正提供了独立信息。
表4比较主胜概率的校准指标。结构模型校准斜率为0.995,市场为1.103,二者的期望校准误差基本相同;结构模型的校准温度为0.99,几乎无需再校准。
图5横轴为预测主胜概率,纵轴为实际主胜频率,黑色虚线代表完美校准。 两条曲线总体都接近对角线,但市场在高概率区间更具区分性,结构模型在约0.95预测概率处实际频率仅约0.50,显示高端区间样本较少、估计波动较大。 市场的斜率高于1,意味着其在该边际上存在轻微低信心,即概率变化幅度略不够充分;但市场仍能通过更尖锐的概率分布获得更低RPS。
报告因此区分了“预测更诚实”与“预测更有辨别力”:结构模型概率更接近实际频率,但市场对不同比赛的排序和概率分化更有效。
作者将赛季目标定义为最终排名集合,例如保级、欧战资格或夺冠;比赛杠杆则是该俱乐部在赢下与输掉某场比赛之间,实现赛季目标概率的变化。 这不是简单的“哪场比赛最可能获胜”,而是衡量一场比赛对最终赛季目标的边际影响。
由于比赛比分与其他剩余比赛结果在模型中独立,作者证明可以通过一次完整赛季模拟后,对某场比赛的结果进行事后条件筛选,从而估计强制该比赛结果所产生的目标概率差异。 作者通过一个四队联赛的59,049种结果穷举,以及应用案例中与强制结果模拟的比较验证了该方法;12场比赛中最大标准化差异仅为1.17个标准差。
表5模拟了2026年3月1日的ACF Fiorentina:当时排名第16、24分、剩余12场比赛,目标是最终排名第17或更高,即保级。 作者进行了20,000次赛季模拟,完整模拟比分、积分、净胜球和进球数;每项杠杆估计的蒙特卡洛标准误低于0.005。
最有价值的比赛不是主场迎战豪门,而是客场对直接保级竞争者。输给最终冠军国际米兰会使保级概率下降3.3个百分点,而客场输给莱切会下降7.3个百分点;后者杠杆约为前者的2.25倍,且差异约为8个蒙特卡洛标准误。 其逻辑是:输给强队本来就较为预期,胜负分支对赛季分布的改变有限;与直接竞争者的比赛则同时影响自身积分和对手积分,具有双重作用。
该结论可转化为轮换和负荷管理建议:疲劳球员更适合在对国际米兰的比赛中休息,而不是在客场对莱切时休息。 模拟得到佛罗伦萨预期最终积分41.4分、实际42分,保级概率96.4%,最终排名第15;作者强调单次真实赛季不能强力验证模型,但结果至少没有显示赛季聚合概率存在明显失真。
报告明确承认模型没有纳入球员伤病、停赛、休息天数、转会、训练负荷或战术情报,这可能是模型相对于市场缺乏增量信息的最重要原因。 射正不是完整的预期进球指标,因为它将近距离必进机会与远距离低质量射门同等处理;因此更高质量的事件级xG数据可能改善过程模型,但报告无法证明这种改善会改变其相对于市场的零权重结果。
另一个关键限制是,收盘价格可能已经吸收了临近比赛的球队新闻,而结构模型没有这些信息,因此0.0067的RPS差距部分可能来自信息集不对称,而不是纯粹的模型技术劣势。 研究只覆盖一个联赛和一个时期,结论不能直接推广到投注市场更薄弱的联赛。 此外,主场优势随时间下降,也意味着数据生成机制并不稳定。
比赛杠杆也只针对单一目标区间,例如保级;如果俱乐部同时考虑联赛排名、杯赛、财务奖金和球员健康,就需要效用函数而不是简单的概率差。
从审慎角度看,作者关于“市场已经吸收两种结构信号”的判断在该样本、该市场和该信息集内非常有说服力,但不宜扩大解释为市场在强意义上完全有效。作者自己也承认,拥有私人球员信息、内部训练数据或战术情报的模型并未被检验。 同样,射正模型并未使用真正的xG数据,因此“xG不会改变结论”仍然只是基于结果的合理推测,而非直接证据。
报告在可复现性方面较为谨慎:代码有126项测试,并经过独立对抗审计;审计发现并修正了四个缺陷,其中包括两个实际上没有进行有效断言的测试。 不同硬件因浮点运算顺序差异导致参数在小数点后第五位变化,并使2,660场测试中一场比赛的分类结果改变,但表1、表2、表3和表5在报告精度下保持不变。
本报告最重要的发现不是某个结构模型取得了53.4%的准确率,而是:在去水后的高质量收盘市场价格已经存在时,准确率本身不能说明模型有独立价值。, Dixon–Coles进球模型测试期RPS为0.1972,显著差于市场的0.1905;七个测试赛季中市场全部胜出;对数池化权重为0,且完整损失曲线在验证期和测试期均随模型权重增加而上升。, ,
射正模型相对进球模型获得0.35权重,证明结构信号之间存在互补信息;但相对于市场仍获得0权重,说明市场已经吸收了这些公开可观察的进球生成信息。 与此同时,结构模型校准斜率接近1,优于市场的1.103,但市场更尖锐、更有区分能力,因此结构模型不是适合交易获利的预测工具,却仍适合用于赛季模拟和资源配置。
“比赛杠杆”是报告提出的建设性应用:对保级球队而言,直接竞争者之间的比赛可能远比对冠军球队的比赛重要。佛罗伦萨案例中,客场对莱切的杠杆是主场对国际米兰的2.25倍,展示了概率模型如何从“谁会赢”转向“哪场比赛最值得投入资源”。 因此,报告总体立场是:市场在比赛结果预测上占优,结构模型不具备可识别的市场增量信息;但经过校准的概率仍可作为俱乐部赛季决策、轮换安排和目标管理的基础。
2608.11505.pdf