O que é devigging nas apostas esportivas?

Devigging converte as odds de um mercado completo em estimativas sob um modelo de distribuição da margem. Quando o método é aplicável, a soma é um; a normalização não revela por si só as probabilidades reais.

O método multiplicativo é menos preciso que o de Shin?

Não nas linhas de fechamento 1X2 do futebol com alta liquidez: em 2.490 partidas da Premier League (football-data.co.uk), ambos tiveram Brier score de 0,5676. Shin dá um pouco mais de probabilidade aos favoritos (+0,79 p.p. abaixo da odd 1,70) e um pouco menos às zebras (0,28 p.p. a menos acima de 3,50), por isso os dois métodos podem discordar sobre se uma aposta em zebra tem valor esperado positivo.

Como o modelo de Shin calcula as probabilidades justas?

O modelo de Shin utiliza a microestrutura de mercado e considera a presença de apostadores com informação privilegiada (parâmetro z), resolvendo uma equação quadrática que atribui uma parte maior da margem às zebras.

Por que o método aditivo de devigging não funciona?

O método aditivo subtrai uma dedução fixa de cada seleção, o que gera probabilidades negativas matematicamente impossíveis sempre que a probabilidade implícita da zebra for inferior à margem por resultado.

Qual a comparação empírica do modelo de Shin frente aos outros métodos?

Em 2.490 partidas da Premier League inglesa (football-data.co.uk, 7.470 seleções), todos os quatro métodos apresentam precisão preditiva praticamente idêntica (Brier Score de 0.5676 e Log-Loss de 0.9583–0.9584). No entanto, Shin ajusta o viés favorito-zebra deslocando +0.79 pontos percentuais para favoritos e retira 0.28 p.p. das zebras.

Quando é aceitável usar o método multiplicativo?

O método multiplicativo é perfeitamente adequado em mercados de duas vias simétricas e equilibradas (como Handicap Asiático e Over/Under em 1,95 / 1,95), onde todos os métodos convergem para o mesmo valor.

Métodos de Devig Multiplicativo vs. Shin: Dedução Matemática e Benchmark de 2.490 Jogos | Sports Betting Math (SportsBettingMath.org)

1. Introdução: O Desafio Epistemológico da Precificação Esportiva

Nas apostas esportivas quantitativas, toda vantagem matemática calculada, projeção de valor esperado (+EV) e dimensionamento de capital pelo Critério de Kelly dependem de uma única variável não observável diretamente no mercado: a probabilidade justa real ( $P_{t r u e}$ ) de um resultado esportivo. Quando um apostador consulta uma casa de apostas ou um agregador de odds, ele não visualiza probabilidades justas. Ele observa cotações comerciais inflacionadas ( $O_{1}, O_{2}, \dots, O_{n}$ ), desenhadas para garantir a lucratividade da casa e protegê-la contra perdas financeiras desastrosas.

Como o operador incorpora uma sobretaxa comercial — denominada overround, vigorish (vig) ou margem da casa —, a soma das probabilidades implícitas puras calculadas a partir das odds decimais supera rigorosamente 100%:

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

Aqui $π_{i} = 1 / O_{i}$ é a probabilidade implícita bruta e $M = \sum_{i} π_{i} - 1$ é o overround cotado adimensional de um mercado completo. O valor observado depende da operadora, do mercado e do horário. Calcule-o com o vetor completo de odds, sem atribuir uma faixa universal por liga ou tipo de aposta.

A desmarginação (devigging) transforma um vetor completo de odds em um vetor estimado $P = (p_{1}, p_{2}, \dots, p_{n})$ com $\sum_{i} p_{i} = 1$ . Cada método impõe um modelo de distribuição da margem. A soma unitária não identifica as probabilidades reais nem demonstra calibração.

Embora iniciantes imaginem que exista apenas uma fórmula simples para retirar o vig, a matemática financeira disponibiliza métodos com pressupostos radicalmente distintos. Os dois mais importantes são a Normalização Multiplicativa (Proporcional) e o Modelo de Microestrutura de Shin (1991, 1993). A escolha do método não é um detalhe acadêmico: em um jogo 1X2 típico, ela muda a probabilidade justa de uma zebra em até cerca de um ponto percentual, o que pode decidir se uma aposta isolada parece +EV. Já nas 2.490 partidas da Premier League (football-data.co.uk), os quatro métodos tiveram a mesma precisão (Brier 0,5676).

2. Dedução Matemática dos Quatro Principais Métodos de Devig

Para fornecer uma fundamentação analítica completa, derivamos formalmente os quatro métodos de remoção de margem consagrados na literatura econométrica: Multiplicativo, Aditivo, Exponencial (Power) e Shin.

Método 1: Normalização Multiplicativa (Proporcional)

O método multiplicativo é o algoritmo mais difundido na internet. Ele assume que a casa de apostas distribui seu overround entre os resultados de forma estritamente proporcional à probabilidade implícita bruta de cada um.

Dada a soma do overround $S = \sum_{k = 1}^{n} \frac{1}{O_{k}}$ , a probabilidade justa da opção $i$ é calculada dividindo a probabilidade bruta pela soma total:

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

As odds justas sem margem correspondentes são dadas por:

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

Vantagens: Extremamente rápido de computar, mantém as razões relativas entre as cotações intactas ( $p_{i} / p_{j} = π_{i} / π_{j}$ ) e garante que as probabilidades calculadas sejam estritamente positivas e somem exatamente 1,000.

Limitação Principal: Aplica uma taxa percentual homogênea a todas as seleções. Sob o viés favorito-azarão, as casas frequentemente concentram mais margem nas zebras. Em 2.490 partidas da Premier League (football-data.co.uk), todos os quatro métodos apresentaram a mesma acurácia nas odds de fechamento da Pinnacle (Brier 0,5676), mas o método Shin move probabilidade para os favoritos (+0,79 p.p. para odds abaixo de 1,70 e −0,28 p.p. para odds acima de 3,50). A escolha do método importa mais para zebras e mercados com alta margem ou muitos resultados; em linhas líquidas 1X2 da Premier League ela não melhorou a acurácia.

Método 2: Normalização Aditiva

O método aditivo assume que a margem excedente $M = S - 1$ é dividida como uma taxa fixa idêntica entre todos os $n$ resultados possíveis do evento:

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

Vantagens: Modela o vigorish como uma taxa de serviço administrativa de valor fixo por opção disponível.

Aplicabilidade: O método aditivo só é utilizável quando todas as probabilidades ajustadas pertencem a [0,1]. Com odds (1.15, 8.00, 100.00), $S = 1.00456522$ e a zebra permanece positiva: $0.0100 - (S - 1) / 3 = 0.00847826$ . Num mercado diferente (1.10, 5.00, 100.00), $S = 1.11909091$ e a zebra fica em $- 0.02969697$ . O método é inaplicável ao segundo mercado; não trunque o resultado negativo nem proíba o método em todos os mercados.

Método 3: Modelo Exponencial (Power / Logarítmico)

Para solucionar as inconsistências do método aditivo e capturar a curva de margens da casa sem gerar probabilidades negativas, o modelo Power redimensiona as probabilidades elevando-as a uma potência $k > 1$ :

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

Onde o expoente real $k$ é a solução única que satisfaz a condição de fechamento unitário:

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

Como $k > 1$ , a operação reduz percentualmente muito mais as probabilidades baixas do que as altas. Por exemplo, com $k = 1,10$ , uma probabilidade de $0,80$ passa para ${(0,80)}^{1,10} = 0,782$ (redução de 2,2%), enquanto uma probabilidade de $0,05$ passa para ${(0,05)}^{1,10} = 0,037$ (redução de 25,9%). O método Power respeita o intervalo [0, 1] e aproxima-se com fidelidade das curvas reais de mercado.

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

Ao contrário dos modelos heurísticos, Hyun Song Shin desenvolveu uma abordagem baseada na teoria dos jogos e na microestrutura dos mercados financeiros. Shin postulou que a precificação das casas reflete a convivência de dois grupos de apostadores:

Apostadores Recreativos (Proporção $1 - z$ ): Operam sem dados privilegiados, apostando por preferências subjetivas e impulso.
Apostadores Informados / Insiders (Proporção $z$ ): Operadores profissionais ou indivíduos com conhecimento prévio e irrestrito do resultado vencedor.

Se um apostador informado coloca dinheiro em uma zebra com odds de 12,00, a perda potencial para o bookmaker é gigantesca. Para se proteger contra a seleção adversa dos insiders em odds altas, a casa reduz intencionalmente a cotação das opções mais improváveis.

Shin demonstrou que a probabilidade publicada $π_{i} = 1 / O_{i}$ está relacionada com a probabilidade real $p_{i}$ e a proporção de insiders $z \in [0, 1)$ por meio da equação estrutural:

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

Definindo $S = \sum_{k = 1}^{n} π_{k}$ e lembrando que $\sum p_{k} = 1$ , a resolução da equação quadrática para $p_{i}$ resulta na Fórmula de Inversão de Shin:

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

Quando z = 0 a fórmula resulta em p_i = π_i/√S, cuja soma só é igual a 1 quando não há margem, de modo que qualquer margem positiva implica z > 0.

3. Implementação Algorítmica e Análise Numérica de Convergência

Na prática analítica, o parâmetro $z$ de Shin não é fornecido pelo bookmaker; ele deve ser extraído numericamente para cada evento a partir da restrição de fechamento:

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

Derivação Analítica da Derivada de Newton-Raphson

Para implementar um solucionador de alto desempenho com convergência quadrática ( $𝒪 (ϵ^{2})$ ), calculamos a derivada exata $\frac{\partial p_{i}}{\partial z}$ aplicando a regra do quociente e a regra da cadeia:

\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)

A iteração de Newton-Raphson atualiza a estimativa inicial $z_{0}$ por meio da fórmula:

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

Uma excelente aproximação inicial analítica para acelerar a convergência para menos de 4 iterações é dada pela relação empírica: $z_{0} \approx \frac{S - 1}{S \cdot (n - 1)}$ .

Código em Python para o Solver Robusto de Shin

import math

def resolver_shin(odds, tolerancia=1e-10, max_iter=100):
    # Calcula probabilidades justas segundo o modelo de Shin (1991, 1993)
    # Retorna (probabilidades_justas, parametro_z)
    raw_p = [1.0 / o for o in odds]
    S = sum(raw_p)
    
    low_z = 0.0
    high_z = 0.40
    
    def somar_probabilidades(z):
        if abs(z - 1.0) < 1e-9:
            return sum(raw_p) / S
        soma = 0.0
        for pi in raw_p:
            termo = math.sqrt(z**2 + 4.0 * (1.0 - z) * (pi * pi / S))
            p_i = (termo - z) / (2.0 * (1.0 - z))
            soma += p_i
        return soma

    z = (low_z + high_z) / 2.0
    for _ in range(max_iter):
        f = somar_probabilidades(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
        
    probs_justas = []
    for pi in raw_p:
        termo = math.sqrt(z**2 + 4.0 * (1.0 - z) * (pi * pi / S))
        p_i = (termo - z) / (2.0 * (1.0 - z))
        probs_justas.append(p_i)
        
    total = sum(probs_justas)
    return [p / total for p in probs_justas], z

4. Estudo Empírico Comparativo: 2.490 Jogos da Premier League (football-data.co.uk)

Para avaliar o desempenho preditivo real de cada método no futebol profissional, analisamos um banco de dados padronizado com 2.490 partidas da English Premier League abrangendo sete temporadas consecutivas, de agosto de 2019 a janeiro de 2026 (7.470 cotações individuais de fechamento do mercado 1X2, fonte: football-data.co.uk, dataset: public/papers/epl-closing-lines-2019-2026.csv). O overround médio de fechamento registrado na amostra foi de 2.70% na Pinnacle e de 4.16% na média do mercado.

Aplicamos os quatro métodos em cada partida e mensuramos a precisão preditiva por meio de métricas clássicas de calibração estatística:

Brier Score: Erro quadrático médio entre a probabilidade estimada e o resultado efetivamente ocorrido ( $y_{t, i} \in {0, 1}$ ). Menores valores indicam calibração superior.
Log-Loss (Entropia Cruzada): Penaliza severamente previsões com alto grau de confiança que resultam em erro.

Desempenho dos Métodos em 2.490 Partidas (Fechamento Pinnacle)

Método de Devig	Brier Score	Log-Loss	Calibração Preditiva	Comportamento Distributivo
Multiplicativo	0.5676	0.9584	Precisão de referência	Distribui margem proporcionalmente entre os resultados
Aditivo	0.5676	0.9584	Precisão equivalente	Dedução igualitária (risco de probabilidade negativa nas zebras)
Power (Exponencial)	0.5676	0.9583	Precisão equivalente	Redistribuição não-linear exponencial
Modelo de Shin	0.5676	0.9583	Precisão equivalente	Modela parâmetro z; desloca +0.79 p.p. para favoritos e retira 0.28 p.p. das zebras

Os dados empíricos de 2.490 partidas (7.470 seleções) de football-data.co.uk demonstram que todos os quatro métodos de devigging alcançam precisão preditiva praticamente idêntica nas odds de fechamento da Pinnacle: Brier score de 0.5676 em todos os modelos (diferenças inferiores a 0.0001) e log-loss entre 0.9583 e 0.9584. No entanto, os métodos divergem na distribuição de probabilidades entre faixas de cotação: em relação ao multiplicativo, o Modelo de Shin ajusta as probabilidades em uma média de +0.79 pontos percentuais em favoritos com odds inferiores a 1.70 (953 seleções), +0.10 pontos percentuais em cotações intermediárias de 1.70 a 3.50 (2.848 seleções), e −0.28 pontos percentuais em zebras com odds superiores a 3.50 (3.669 seleções).

5. O Impacto Financeiro Direto no Critério de Kelly

Por que a escolha do método de devig afeta diretamente os lucros do apostador? No trading quantitativo, as probabilidades calculadas determinam o percentual exato da banca a ser arriscado por meio da fórmula de Kelly:

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

Quando os Métodos Discordam sobre uma Zebra

Considere uma partida hipotética com a seguinte linha de fechamento e overround de 4,62%:

Favorito: $O_{1} = 1,33$ ( $π_{1} = 75,19 %$ )
Empate: $O_{2} = 5,20$ ( $π_{2} = 19,23 %$ )
Azarão: $O_{3} = 9,80$ ( $π_{3} = 10,20 %$ )

Se uma casa recreativa oferece o azarão a $O = 10,50$ , observe a disparidade entre as duas abordagens:

Métrica	Método Multiplicativo	Modelo de Shin ( $z = 0,024$ )	Impacto Financeiro
Probabilidade Justa ( $p$ )	9,75%	8,96%	Multiplicativo 0,79 p.p. acima de Shin
Odds Justas Calculadas	10.25	11.17	O multiplicativo faz a odd justa parecer 8,2% mais baixa
Valor Esperado a 10,50	+2,38% (+EV)	-5,92% (-EV)	Diferença de 8,30 p.p. no valor esperado estimado
Aposta Sugerida por Kelly	+0,25% da Banca	0,00% (Sem Aposta)	Aposta com EV negativo pelo modelo de Shin

O apostador que usa o método multiplicativo enxerga uma aposta de valor com +2,38% de EV e aposta 0,25% do seu patrimônio. Sob o modelo de Shin, a aposta carrega um valor esperado de -5,92%. Os dois métodos discordam sobre o sinal da vantagem e, nas 2.490 partidas, nenhum foi mais preciso; portanto, a aposta não tem vantagem confirmada.

O Efeito Oposto nos Favoritos

Como a soma das probabilidades é 1, o que o método multiplicativo atribui a mais às zebras em relação a Shin ele atribui a menos aos favoritos. No mesmo jogo do exemplo (1,33 / 5,20 / 9,80), o favorito tem 71,87% pelo método multiplicativo e 73,19% por Shin. Se outra casa oferece esse favorito a 1,38:

Pelo cálculo multiplicativo: $EV = (0,7187 \times 1,38) - 1 = - 0,82 %$ (aposta descartada).
Pelo modelo de Shin: $EV = (0,7319 \times 1,38) - 1 = + 1,00 %$ (aposta com valor).

Os métodos discordam sobre o sinal da vantagem também nos favoritos. Como nas 2.490 partidas nenhum dos dois foi mais preciso, uma aposta assim é marginal: vale apenas se a vantagem se mantiver com os dois métodos.

6. Guia Prático: Quando Aplicar Cada Método

Para otimizar o tempo de processamento e a precisão analítica, recomendamos aplicar os métodos de acordo com o perfil de odds de cada mercado:

Tipo de Mercado	Estrutura das Odds	Método Recomendado	Justificativa Prática
Handicap Asiático e Totais	Simétricas de 2 vias (ex: 1,95 / 1,95)	Multiplicativo	Em odds equilibradas, o método multiplicativo e o de Shin convergem para o mesmo valor, oferecendo velocidade instantânea.
Linhas Desequilibradas de 2 Vias	Tênis ou Basquete (ex: 1,15 / 6,00)	Shin / Power	Com preços muito desiguais, Shin e o multiplicativo divergem mais nas zebras; compare os dois.
Futebol 1X2 Tradicional	Grandes favoritos (ex: 1,30 / 5,50 / 9,50)	Modelo de Shin	Preferível para zebras; em linhas líquidas 1X2 os resultados são praticamente idênticos.
Apostas Futuras (Campeão)	Mercados com 20+ concorrentes (odds 3,0 a 150,0)	Shin / Power	O método aditivo é inaplicável se alguma probabilidade sair de [0,1]; o multiplicativo diverge de Shin nas odds longas. Preferível para zebras; em linhas líquidas 1X2 os resultados são praticamente idênticos.

7. Conclusão e Resumo Metodológico

O processo de devigging é a pedra angular das apostas esportivas quantitativas. A escolha do método muda o preço justo de zebras isoladas, embora nas linhas de fechamento 1X2 da Premier League os quatro métodos tenham tido a mesma precisão.

Recomendações fundamentais: 1. O método multiplicativo é uma simplificação, não um erro: nas linhas de fechamento 1X2 da Premier League ele não perdeu precisão (Brier 0,5676 nos quatro métodos), mas, em relação a Shin, atribui um pouco mais de probabilidade às zebras. 2. O método aditivo é inaplicável a uma linha se alguma probabilidade ajustada sair de [0,1]. Quando todas ficam nesse intervalo, o método é matematicamente admissível. 3. O Modelo de Shin incorpora o viés favorito-zebra: em 2.490 partidas da Premier League (football-data.co.uk), Shin ajusta as probabilidades justas (+0.79 p.p. em favoritos, −0.28 p.p. em zebras) mantendo calibração preditiva equivalente (Brier Score de 0.5676). 4. Antes de dimensionar uma aposta Kelly em uma zebra, verifique a vantagem pelos métodos multiplicativo e de Shin; se ela existir em apenas um deles, não aposte.

Métodos de Devig Multiplicativo vs. Shin: Dedução Matemática e Benchmark de 2.490 Jogos