¿Qué es el devigging en apuestas deportivas?

Convierte las cuotas de un mercado completo en estimaciones bajo un modelo de distribución del margen. Cuando el método es aplicable, la suma es uno; la normalización no revela por sí sola las probabilidades reales.

¿Es el método multiplicativo menos preciso que el de Shin?

No en las líneas de cierre 1X2 del fútbol con alta liquidez: en 2.490 partidos de la Premier League (football-data.co.uk) ambos tuvieron un Brier score de 0,5676. Shin asigna algo más de probabilidad a los favoritos (+0,79 p.p. por debajo de cuota 1,70) y algo menos a las sorpresas (0,28 p.p. menos por encima de 3,50), así que los dos métodos pueden discrepar sobre si una apuesta a una sorpresa tiene valor esperado positivo.

¿Cómo calcula el modelo de Shin las probabilidades justas?

El modelo de Shin modela la presencia de dinero con información privilegiada (parámetro z), estimando las probabilidades justas mediante una ecuación cuadrática que tiene en cuenta el sesgo favorito-no favorito.

¿Por qué fracasa el método aditivo?

El método aditivo descuenta una cantidad fija a cada selección, lo que genera probabilidades negativas inadmisibles siempre que la probabilidad implícita de la sorpresa sea menor que la deducción fija.

¿Cómo se compara empíricamente el modelo de Shin con los demás métodos?

En 2.490 partidos de la Premier League (football-data.co.uk, 7.470 selecciones), los cuatro métodos ofrecen una precisión predictiva prácticamente idéntica (Brier Score de 0.5676 y Log-Loss de 0.9583–0.9584). Sin embargo, Shin ajusta el sesgo favorito-no favorito desplazando +0.79 puntos porcentuales a favoritos y reduciendo 0.28 p.p. en sorpresas.

¿Cuándo resulta adecuado utilizar el método multiplicativo?

Es perfectamente válido en mercados equilibrados de 2 opciones con cuotas cercanas a la paridad (como Hándicap Asiático y Totales en torno a 1.95 / 1.95), donde todos los métodos convergen.

Métodos de Devig Multiplicativo vs. Shin: Derivación Matemática y Benchmark de 2.490 Partidos | Sports Betting Math (SportsBettingMath.org)

1. Introducción: El Desafío Epistemológico de las Cuotas Deportivas

En el análisis cuantitativo de apuestas deportivas, cualquier ventaja matemática identificada, cálculo de valor esperado (+EV) o dimensionamiento de posiciones mediante el Criterio de Kelly depende estrictamente de una variable no observable de forma directa: la probabilidad justa real ( $P_{t r u e}$ ) de un determinado evento deportivo. Cuando un operador analiza las cuotas ofrecidas por una casa de apuestas o un comparador de precios, no observa probabilidades puras, sino cuotas comerciales intervenidas ( $O_{1}, O_{2}, \dots, O_{n}$ ), configuradas por los operadores para garantizar su beneficio financiero y protegerse del riesgo de quiebra.

Dado que la casa incorpora un recargo comercial —denominado overround, vigorish o margen—, la suma de las probabilidades implícitas brutas deducidas de las cuotas decimales supera siempre el 100%:

S = \sum_{i = 1}^{n} π_{i} = \sum_{i = 1}^{n} \frac{1}{O_{i}} = 1 + M > 1,000

Aquí $π_{i} = 1 / O_{i}$ es la probabilidad implícita bruta y $M = \sum_{i} π_{i} - 1$ es el overround cotizado adimensional de un mercado completo. El valor observado depende del operador, mercado y momento. Calcúlelo con el vector completo de cuotas, sin asignar un intervalo universal por liga o tipo de apuesta.

La eliminación de margen (devigging) transforma un vector completo de cuotas en un vector estimado $P = (p_{1}, p_{2}, \dots, p_{n})$ con $\sum_{i} p_{i} = 1$ . Cada método impone un modelo de distribución del margen. La suma unitaria no identifica las probabilidades reales ni demuestra calibración.

Aunque muchos apostadores novatos creen erróneamente que existe una fórmula universal para eliminar el margen, las finanzas cuantitativas ofrecen métodos basados en supuestos analíticos totalmente diferentes. Los dos más destacados son la Normalización Multiplicativa (Proporcional) y el Modelo de Microestructura de Shin (1991, 1993). La elección del método no es un dilema teórico menor: en un partido 1X2 típico cambia la probabilidad justa de una sorpresa hasta en cerca de un punto porcentual, lo que puede decidir si una apuesta aislada parece +EV. Sin embargo, en 2.490 partidos de la Premier League (football-data.co.uk) los cuatro métodos tuvieron la misma precisión (Brier 0,5676).

2. Derivación Matemática de los Cuatro Métodos Fundamentales

Para asentar un marco analítico riguroso, derivamos formalmente los cuatro métodos de devigging reconocidos en la econometría de mercados de pronósticos: Multiplicativo, Aditivo, Exponencial (Power) y Shin.

Método 1: Normalización Multiplicativa (Proporcional)

El método multiplicativo es el algoritmo más extendido en herramientas públicas de apuestas. Se fundamenta en el supuesto de que el corredor distribuye su margen total entre las diferentes opciones de manera proporcional a su probabilidad implícita bruta.

A partir del sumatorio de probabilidades implícitas $S = \sum_{k = 1}^{n} \frac{1}{O_{k}}$ , la probabilidad justa de la opción $i$ se obtiene dividiendo su valor bruto entre dicho sumatorio:

p_{mult, i} = \frac{π_{i}}{S} = \frac{\frac{1}{O_{i}}}{\sum_{k = 1}^{n} \frac{1}{O_{k}}}

Las cuotas justas sin margen correspondientes se calculan directamente como:

O_{justa, mult, i} = \frac{1}{p_{mult, i}} = O_{i} \cdot S

Ventajas: Cálculo inmediato, mantiene inalteradas las proporciones relativas entre cuotas ( $p_{i} / p_{j} = π_{i} / π_{j}$ ) y garantiza resultados siempre positivos que suman exactamente la unidad.

Limitación Principal: Aplica una reducción porcentual homogénea a todas las selecciones. Bajo el sesgo favorito-no favorito, las casas de apuestas suelen cargar un margen desproporcionado en las cuotas altas. En 2.490 partidos de la Premier League (football-data.co.uk), los cuatro métodos ofrecieron la misma precisión en las cuotas de cierre de Pinnacle (Brier 0,5676), pero Shin desplaza probabilidad hacia los favoritos (+0,79 p.p. para cuotas inferiores a 1,70 y −0,28 p.p. para cuotas superiores a 3,50). La elección del método importa sobre todo para cuotas altas y mercados con márgenes elevados o muchos resultados; en líneas líquidas 1X2 de la Premier League no mejoró la precisión.

Método 2: Normalización Aditiva

El método aditivo supone que el margen excedente $M = S - 1$ se reparte como una deducción fija uniforme entre los $n$ resultados posibles:

p_{add, i} = π_{i} - \frac{S - 1}{n} = \frac{1}{O_{i}} - \frac{\sum_{k = 1}^{n} \frac{1}{O_{k}} - 1}{n}

Ventajas: Modela el margen como un coste administrativo fijo e independiente de la probabilidad del evento.

Aplicabilidad: El método aditivo solo es utilizable si todas las probabilidades ajustadas pertenecen a [0,1]. Con cuotas (1.15, 8.00, 100.00), $S = 1.00456522$ y el no favorito sigue siendo positivo: $0.0100 - (S - 1) / 3 = 0.00847826$ . En otro mercado completo (1.10, 5.00, 100.00), $S = 1.11909091$ y el resultado es $- 0.02969697$ . El método es inaplicable al segundo mercado; no recorte el valor negativo ni invalide el método para todos los mercados.

Método 3: Modelo Exponencial (Power / Logarítmico)

Para solventar los problemas de frontera del método aditivo y reproducir la curvatura asimétrica del mercado, el modelo Power ajusta las probabilidades implícitas elevándolas a una potencia constante $k > 1$ :

p_{power, i} = {(π_{i})}^{k} = {(\frac{1}{O_{i}})}^{k}

Donde el exponente real $k$ es el valor que garantiza el cumplimiento de la suma unitaria:

\sum_{i = 1}^{n} {(\frac{1}{O_{i}})}^{k} = 1,000

Al ser $k > 1$ , la operación reduce en mucha mayor proporción las probabilidades bajas que las altas. Si $k = 1,10$ , una probabilidad del $0,80$ desciende a ${(0,80)}^{1,10} = 0,782$ (una reducción del 2,2%), mientras que una probabilidad del $0,05$ cae a ${(0,05)}^{1,10} = 0,037$ (una reducción del 25,9%). Este método respeta el intervalo [0, 1] y aproxima con notable precisión las dinámicas reales de mercado.

Método 4: Modelo de Microestructura de Shin (1991, 1993)

Frente a las fórmulas meramente aritméticas, Hyun Song Shin construyó un modelo microestructural fundamentado en la teoría de juegos. Shin postuló que la fijación de precios responde a la coexistencia de dos perfiles de apostadores:

Apostadores Recreativos (Proporción $1 - z$ ): Usuarios sin información diferencial que operan impulsados por preferencias subjetivas.
Apostadores Informados / Insiders (Proporción $z$ ): Profesionales que disponen de información privilegiada y conocen con certeza el desenlace real.

Si un apostador informado respalda a una sorpresa a cuota 12.00, el quebranto para el operador resulta masivo. Para protegerse de esta selección adversa en cuotas elevadas, la casa reduce deliberadamente las cuotas de los resultados menos probables.

Shin demostró que la probabilidad publicada $π_{i} = 1 / O_{i}$ , la probabilidad real $p_{i}$ y la fracción de dinero informado $z \in [0, 1)$ satisfacen:

\frac{π_{i}^{2}}{S} = z p_{i} + (1 - z) p_{i}^{2}, S = \sum_{k} π_{k}

Despejando la ecuación cuadrática se obtiene la Fórmula de Inversión de Shin:

p_{i} (z) = \frac{\sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}} - z}{2 (1 - z)}

Cuando z = 0 la fórmula produce p_i = π_i/√S, cuya suma solo es 1 cuando no existe margen, de modo que cualquier margen positivo implica z > 0.

3. Implementación Algorítmica y Análisis de Convergencia Numérica

En el uso operativo, el parámetro $z$ debe determinarse numéricamente para cada conjunto de cuotas resolviendo la condición de cierre:

F (z) = \sum_{i = 1}^{n} p_{i} (z) - 1 = \sum_{i = 1}^{n} [\frac{\sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}} - z}{2 (1 - z)}] - 1 = 0

Derivación de la Derivada Analítica para Newton-Raphson

Para lograr una convergencia cuadrática instantánea, derivamos analíticamente la expresión de $p_{i}$ respecto a $z$ :

\frac{\partial p_{i}}{\partial z} = \frac{1}{2 {(1 - z)}^{2}} (\sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}} - z) + \frac{1}{2 (1 - z)} (\frac{2 z - 4 \frac{π_{i}^{2}}{S}}{2 \sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}}} - 1)

La fórmula de iteración de Newton-Raphson permite hallar $z$ con altísima precisión:

z_{k + 1} = z_{k} - \frac{F (z_{k})}{\sum_{i = 1}^{n} \frac{\partial p_{i}}{\partial z} (z_{k})}

Tomando como valor inicial $z_{0} = \frac{S - 1}{S \cdot (n - 1)}$ , el algoritmo alcanza una tolerancia de error inferior a $10^{- 12}$ en tan solo 3 o 4 iteraciones.

Rutina en Python para el Solver de Shin

import math

def calcular_shin(cuotas, tolerancia=1e-10, max_iter=100):
    # Calcula probabilidades justas segun el modelo de Shin (1991, 1993)
    # Retorna (probabilidades_justas, parametro_z)
    raw_p = [1.0 / c for c in cuotas]
    S = sum(raw_p)
    
    low_z = 0.0
    high_z = 0.40
    
    def sumar_p(z):
        if abs(z - 1.0) < 1e-9:
            return sum(raw_p) / S
        acumulado = 0.0
        for pi in raw_p:
            raiz = math.sqrt(z**2 + 4.0 * (1.0 - z) * (pi * pi / S))
            p_i = (raiz - z) / (2.0 * (1.0 - z))
            acumulado += p_i
        return acumulado

    z = (low_z + high_z) / 2.0
    for _ in range(max_iter):
        f = sumar_p(z) - 1.0
        if abs(f) < tolerancia:
            break
        if f > 0:
            low_z = z
        else:
            high_z = z
        z = (low_z + high_z) / 2.0
        
    probabilidades = []
    for pi in raw_p:
        raiz = math.sqrt(z**2 + 4.0 * (1.0 - z) * (pi * pi / S))
        p_i = (raiz - z) / (2.0 * (1.0 - z))
        probabilidades.append(p_i)
        
    suma_total = sum(probabilidades)
    return [p / suma_total for p in probabilidades], z

4. Evaluación Empírica: 2.490 Partidos de la Premier League (football-data.co.uk)

Para determinar la capacidad predictiva real de cada método en el fútbol profesional, analizamos un registro estandarizado de 2.490 encuentros de la Premier League correspondientes a siete temporadas consecutivas entre agosto de 2019 y enero de 2026 (7.470 cuotas individuales de cierre del mercado 1X2, fuente: football-data.co.uk, dataset: public/papers/epl-closing-lines-2019-2026.csv). En este período, el overround promedio de cierre fue del 2.70% en Pinnacle y del 4.16% en la media del mercado.

Se evaluó la calidad del ajuste de cada método mediante métricas econométricas estándar:

Brier Score: Error cuadrático medio frente a los resultados reales ( $y_{t, i} \in {0, 1}$ ). Menores valores indican una calibración superior.
Log-Loss (Entropía Cruzada): Penalización ante predicciones erróneas con alta certidumbre.

Resultados Comparativos en 2.490 Partidos (Cierre Pinnacle)

Método de Devig	Brier Score	Log-Loss	Calibración Predictiva	Comportamiento de Distribución
Multiplicativo	0.5676	0.9584	Precisión de referencia	Distribución proporcional del margen entre opciones
Aditivo	0.5676	0.9584	Precisión equivalente	Deducción fija uniforme (riesgo de probabilidades negativas)
Power (Exponencial)	0.5676	0.9583	Precisión equivalente	Redistribución no lineal exponencial
Modelo de Shin	0.5676	0.9583	Precisión equivalente	Modela parámetro z; desplaza +0.79 p.p. a favoritos y retira 0.28 p.p. de las sorpresas

La evidencia empírica sobre 2.490 partidos (7.470 selecciones) de football-data.co.uk demuestra que los cuatro métodos de devigging ofrecen una precisión predictiva prácticamente idéntica en las líneas de cierre de Pinnacle: Brier score de 0.5676 en todos los casos (diferencias menores a 0.0001) y log-loss entre 0.9583 y 0.9584. No obstante, divergen en la asignación de probabilidades según el nivel de cuota: en comparación con la normalización multiplicativa, el Modelo de Shin ajusta las probabilidades en una media de +0.79 puntos porcentuales en favoritos con cuotas menores a 1.70 (953 selecciones), +0.10 puntos porcentuales en cuotas intermedias de 1.70 a 3.50 (2.848 selecciones) y −0.28 puntos porcentuales en cuotas altas superiores a 3.50 (3.669 selecciones).

5. Consecuencia Financiera: Distorsión en el Criterio de Kelly

La precisión de las probabilidades no es una cuestión meramente estadística; condiciona el porcentaje exacto de capital asignado mediante la fórmula de Kelly:

f^{*} = p - \frac{1 - p}{O - 1}

Cuando los Métodos Discrepan sobre una Sorpresa

Supongamos un encuentro con una cuota de cierre y un margen del 4,62%:

Favorito: $O_{1} = 1.33$ ( $π_{1} = 75,19 %$ )
Empate: $O_{2} = 5.20$ ( $π_{2} = 19,23 %$ )
Sorpresa: $O_{3} = 9.80$ ( $π_{3} = 10,20 %$ )

Si una casa recreativa ofrece la sorpresa a $O = 10.50$ , la divergencia entre ambos métodos es crítica:

Variable Analizada	Método Multiplicativo	Modelo de Shin ( $z = 0,024$ )	Desviación Financiera
Probabilidad Justa ( $p$ )	9,75%	8,96%	Multiplicativo 0,79 p.p. por encima de Shin
Cuota Justa Estimada	10.25	11.17	El multiplicativo hace que la cuota justa parezca un 8,2% más baja
Valor Esperado a 10.50	+2,38% (+EV)	-5,92% (-EV)	Diferencia de 8,30 p.p. en el valor esperado estimado
Fracción de Kelly Sugerida	+0,25% de la Banca	0,00% (Sin Apuesta)	Apuesta con EV negativo según el modelo de Shin

El apostador que calcula el valor con el método multiplicativo obtiene un +2,38% de EV y compromete fondos. Bajo el modelo de Shin la apuesta tiene una expectativa negativa del -5,92%. Los dos métodos discrepan sobre el signo de la ventaja y, en los 2.490 partidos, ninguno fue más preciso, así que la apuesta no tiene una ventaja confirmada.

El Efecto Opuesto en los Favoritos

Como las probabilidades suman 1, lo que el método multiplicativo asigna de más a las sorpresas respecto a Shin lo resta a los favoritos. En el mismo partido del ejemplo (1,33 / 5,20 / 9,80), el favorito tiene un 71,87% con el método multiplicativo y un 73,19% con Shin. Si otra casa ofrece ese favorito a 1,38:

Según el cálculo multiplicativo: $EV = (0,7187 \times 1,38) - 1 = - 0,82 %$ (apuesta descartada).
Según el modelo de Shin: $EV = (0,7319 \times 1,38) - 1 = + 1,00 %$ (apuesta con valor).

Los métodos discrepan sobre el signo de la ventaja también en los favoritos. Como en los 2.490 partidos ninguno fue más preciso, una apuesta así es marginal: solo merece la pena si la ventaja se mantiene con ambos métodos.

6. Criterios Operativos: Cuándo Emplear Cada Método

Recomendamos seleccionar el método analítico según la estructura de cuotas de cada mercado:

Tipo de Mercado	Perfil de Cuotas	Método Recomendado	Motivación Operativa
Hándicap Asiático y Totales	2 opciones equilibradas (ej: 1.95 / 1.95)	Multiplicativo	Con cuotas simétricas, el método multiplicativo y el de Shin coinciden. Ofrece máxima rapidez de cálculo.
Líneas Desequilibradas a 2 Opciones	Tenis o Baloncesto (ej: 1.15 / 6.00)	Shin / Power	Con cuotas muy desiguales, Shin y el multiplicativo divergen más en las sorpresas; compare ambos.
Fútbol 1X2 Tradicional	Favoritos claros (ej: 1.30 / 5.50 / 9.50)	Modelo de Shin	Preferible para cuotas altas; en líneas líquidas 1X2 los resultados son prácticamente idénticos.
Mercados de Campeón (Outrights)	Campos de 20+ opciones (cuotas de 3.0 a 150.0)	Shin / Power	El método aditivo es inaplicable si alguna probabilidad sale de [0,1]; el multiplicativo diverge de Shin en las cuotas altas. Preferible para cuotas altas; en líneas líquidas 1X2 los resultados son prácticamente idénticos.

7. Conclusiones y Resumen Cuantitativo

El proceso de devigging constituye la base metodológica de las apuestas de valor. La elección del método cambia el precio justo de sorpresas concretas, aunque en las líneas de cierre 1X2 de la Premier League los cuatro métodos tuvieron la misma precisión.

Puntos fundamentales: 1. El método multiplicativo es una simplificación, no un error: en las líneas de cierre 1X2 de la Premier League no perdió precisión (Brier 0,5676 en los cuatro métodos), pero, frente a Shin, asigna algo más de probabilidad a las sorpresas. 2. El método aditivo es inaplicable a una línea si alguna probabilidad ajustada sale de [0,1]. Si todas quedan en ese intervalo, el método es matemáticamente admisible. 3. El Modelo de Shin incorpora el sesgo favorito-no favorito: en 2.490 partidos de la Premier League (football-data.co.uk), Shin ajusta las probabilidades justas (+0.79 p.p. en favoritos, −0.28 p.p. en sorpresas) con una precisión predictiva equivalente (Brier Score de 0.5676). 4. Antes de dimensionar una apuesta Kelly en una sorpresa, compruebe la ventaja con el método multiplicativo y con Shin; si solo existe con uno de ellos, no apueste.

Métodos de Devig Multiplicativo vs. Shin: Derivación Matemática y Benchmark de 2.490 Partidos