模型详解 · 阅读约 8 分钟

Dixon-Coles 模型如何预测足球比分

1997 年,Mark Dixon 和 Stuart Coles 发表了一篇短论文,它悄然成为了现代足球建模的基石。他们的洞察很简单:标准泊松模型——预测进球最显而易见的起点——在低比分上系统性地出错。而低比分,正是足球的大部分。

泊松起点

把每支球队的进球数建模为独立的泊松分布。如果主队预期进球 1.5、客队 1.1,那么 1–0 的概率就是 P(主=1) × P(客=0)。干净、优雅——但在一个可测量的点上是错的。

当 Dixon 和 Coles 把泊松预测与数千场英格兰联赛比赛对比时,他们发现模型系统性低估了 0–0、1–0、0–1 和 1–1,同时略微高估了其他比分。球队在低比分时不像独立的随机数生成器:比赛末段 1–0 领先的球队往往不再进攻,0–1 落后的球队则全员压上。两队的进球数恰好在最关键的地方是相关的。

一个参数的修复

他们的解法是一个修正因子 τ(tau),只作用于四个低比分,由单个参数 ρ(rho)控制:

P(0–0) × (1 − λH·λA·ρ)
P(1–0) × (1 + λA·ρ)
P(0–1) × (1 + λH·ρ)
P(1–1) × (1 − ρ)

当 ρ 为负(大多数联赛约为 −0.13),修正会提升 0–0 和 1–1,同时下调 1–0 和 0–1——正好吻合球场上真实发生的事。一个参数,每个联赛拟合一次,模型的平局概率突然就和现实对上了。

实战要点:任何不修正低比分依赖的足球模型都会系统性地算错平局——通常差 2–4 个百分点。平局的公允价格 3.40 和 3.10 之间的差别,一个赛季下来就是真金白银。

GoalMath 怎么用它

我们的比赛预测在 0–0 到 12–12 的完整比分网格上运行 Dixon-Coles 计算,然后聚合成胜平负、大小球和双方进球概率。预期进球来自球队攻防强度相对于联赛均值:

λH = 主场进攻 × 客场防守 × 联赛主场平均进球
λA = 客场进攻 × 主场防守 × 联赛客场平均进球

ρ 默认取 −0.13——这是发表研究中跨联赛、跨赛季都站得住的值——我们的方法论页面公开了校准记录,包括模型在哪里失效。

Dixon-Coles 做不到什么

模型是思考的起点,不是思考的替代品。数学告诉你通常会发生什么;新闻告诉你"通常"今天适不适用。

相关阅读: 泊松 vs Dixon-Coles:差异到底在哪里重要 · 预期进球(xG)详解:这个数字到底意味着什么