Модель Пуассона в ставках на футбол: математическое моделирование голов

1. Математические основы пуассоновского процесса в футбольном беттинге

Профессиональный футбол обладает уникальной статистической спецификой, отличающей его от большинства других игровых видов спорта: результативные действия (голы) представляют собой исключительно редкие, дискретные события, распределенные на непрерывном 90-минутном временном интервале матча. В ведущих европейских лигах суммарный тотал забитых мячей составляет в среднем от 2.6 до 2.8 гола на двоих за игру. Это соответствует средней частоте взятия ворот всего один раз в 32–35 минут чистого игрового времени.

Поскольку голы происходят спорадически и относительно независимо в непрерывном континууме времени, вероятностный процесс генерации счета в футболе строго удовлетворяет трем фундаментальным аксиомам классического процесса Пуассона:

1. Дискретность и неотрицательность: Случайная величина $X$, обозначающая количество забитых мячей командой, принимает исключительно целые неотрицательные значения из множества: $k\in \{0,1,2,3,\dots \}$. Невозможно забить дробное или отрицательное число мячей.
2. Временная независимость (отсутствие последействия): Вероятность взятия ворот на бесконечно малом отрезке времени $[t,t+\mathrm{\Delta }t]$ не зависит от событий, произошедших до момента $t$. Гол, забитый на 12-й минуте встречи, сам по себе не изменяет базовую физическую способность команды поразить ворота на 13-й минуте при неизменном тактическом рисунке.
3. Пропорциональность и ординарность: Вероятность наступления ровно одного гола за малый интервал $\mathrm{\Delta }t$ пропорциональна длительности этого интервала ($\lambda \mathrm{\Delta }t+o(\mathrm{\Delta }t)$), тогда как вероятность одновременного взятия ворот двумя командами в один и тот же бесконечно малый момент времени асимптотически пренебрежима ($o(\mathrm{\Delta }t)$).

Математически распределение Пуассона выводится как предельный случай биномиального распределения $B(n,p)$ при стремлении числа испытаний $n$ к бесконечности, а вероятности успеха $p$ к нулю, при фиксированном произведении $np=\lambda$. Функция вероятности (Probability Mass Function, PMF), определяющая вероятность того, что команда забьет ровно $k$ голов при математическом ожидании интенсивности $\lambda >0$, имеет канонический вид:

Где $e\approx 2.71828$ — основание натурального логарифма, а $k!=k\times (k-1)\times \cdots \times 1$ — факториал числа $k$ (при $0!=1$). Важнейшим аналитическим свойством распределения Пуассона является эквидисперсия: математическое ожидание случайной величины и ее статистическая дисперсия строго равны параметру интенсивности $\lambda$:

У Пуассона среднее равно дисперсии по определению. Выборочный индекс около единицы полезен как диагностика, но не доказывает всё распределение, независимость или калибровку. Задайте совокупность, окно и неопределённость до интерпретации; универсальный диапазон 0.98–1.04 здесь не установлен.

2. Декомпозиция ожидаемых голов: атака, оборона и фактор своего поля

Для практического применения пуассоновской модели в спортивном беттинге аналитик не может произвольно назначать коэффициенты $\lambda$. Математические ожидания голов для хозяев (${\lambda }_{home}$) и гостей (${\mu }_{away}$) последовательно рассчитываются на основе объективной декомпозиции исторических показателей:

Где переменные формулы имеют четкий количественный смысл:

• ${\mu }_{league}$ (Средняя результативность лиги): Базовое среднее число голов, забиваемых одной командой за один матч на дистанции сезона (в среднем от 1.30 до 1.45 гола на команду за игру).
• ${\alpha }_i$ (Сила атаки команды $i$): Относительная атакующая продуктивность. Коэффициент $\alpha =1.25$ означает, что команда забивает на 25% больше голов, чем среднестатистический клуб чемпионата в равных условиях.
• ${\beta }_j$ (Уязвимость обороны команды $j$): Относительная слабость защитных порядков. Значение $\beta =0.80$ демонстрирует, что коллектив пропускает на 20% меньше голов, чем в среднем по лиге (элитная линия обороны).
• $\gamma$ (Фактор домашнего поля): Мультипликативный коэффициент преимущества хозяев, обусловленный психологической поддержкой болельщиков, отсутствием дорожной усталости и адаптацией к домашнему газону. В топ-лигах $\gamma$ традиционно варьируется от $1.15$ до $1.25$.

Для обеспечения единственности математического решения в турнире из $N$ команд накладываются обязательные условия нормировки:

Вектор параметров $\overrightarrow{\theta }=(\overrightarrow{\alpha },\overrightarrow{\beta },\gamma )$ оценивается методом максимального правдоподобия (Maximum Likelihood Estimation, MLE) путем максимизации логарифмической функции правдоподобия на обучающей выборке из $M$ матчей:

3. Двумерное распределение Пуассона и матрица точных счетов

После калибровки расчетных интенсивностей голов $\lambda$ (хозяева) и $\mu$ (гости) вероятность наступления любого точного счета в матче моделируется с помощью двумерного распределения Пуассона.

В предположении взаимной статистической независимости результативности соперников совместная вероятность того, что домашняя команда забьет ровно $x$ мячей, а гостевая — ровно $y$ мячей, представляет собой прямое произведение их одномерных пуассоновских вероятностей:

Для иллюстрации практического применения рассмотрим встречу, где математический аппарат рассчитал $\lambda =1.68$ гола для хозяев и $\mu =1.15$ гола для гостей. Сформируем полную сетку совместных вероятностей для счетов от 0 до 5 мячей:

В показанной сетке приведены счета от 0 до 5 для иллюстрации. Вероятности рынков ниже рассчитаны по полной модели до 45 голов с пренебрежимо малой отброшенной массой при этих интенсивностях. Видимые ячейки округлены отдельно, поэтому сумма округлённой сетки не воспроизводит все вероятности полного рынка.

Каждая ячейка данной матрицы представляет расчетную вероятность конкретного счета. Наиболее вероятным исходом является ничья 1:1 (11.40%), за которой следуют победа хозяев 1:0 (9.91%) и победа хозяев 2:1 (9.58%).

4. Расчет коэффициентов производных букмекерских рынков

Главная практическая ценность пуассоновской матрицы заключается в том, что она служит универсальным аналитическим генератором справедливых вероятностей для абсолютно всех ключевых букмекерских рынков матча.

Рынок исходов матча (1X2)

• Победа хозяев ($P_H$): Сумма всех ячеек ниже главной диагонали, где $x>y$:
  $$P_H=\sum _{x>y}P(X=x,Y=y)=49.754448\%⟹O_H=\frac{1}{0.49754448}=2.0099$$
• Ничья ($P_D$): Сумма всех ячеек главной диагонали, где $x=y$:
  $$P_D=\sum _{x=y}P(X=x,Y=y)=24.145909\%⟹O_D=\frac{1}{0.24145909}=4.1415$$
• Победа гостей ($P_A$): Сумма всех ячеек выше главной диагонали, где $x<y$:
  $$P_A=\sum _{x<y}P(X=x,Y=y)=26.099644\%⟹O_A=\frac{1}{0.26099644}=3.8315$$

Рынок тотала голов: Тотал больше / меньше 2.5

Суммируя вероятности исходов, при которых суммарное число голов не превышает 2:

Рынок «Обе забьют» (ОЗ Да / ОЗ Нет)

Рынок азиатских гандикапов (Asian Handicap)

Сетка совместных вероятностей позволяет напрямую рассчитывать любые линии азиатских фор без дополнительных предположений:

• Азиатская фора Ф1(-0.5): Эквивалентна чистой победе хозяев, так как ставка выигрывает при любом исходе, где $x-y\ge 1$:
  $$P(\text{Ф1}(-0.5))=\sum _{x>y}P(X=x,Y=y)=49.754448\%⟹O_{\text{Ф1}(-0.5)}=2.0099$$
• Азиатская фора Ф1(-1.5): Выигрывает строго при победе хозяев с разницей в 2 мяча и более ($x-y\ge 2$):
  $$P(\text{Ф1}(-1.5))=\sum _{x-y\ge 2}P(X=x,Y=y)=P(\mathrm{2,0})+P(\mathrm{3,0})+P(\mathrm{3,1})+P(\mathrm{4,0})+\cdots =26.631699\%⟹O_{\text{Ф1}(-1.5)}=3.7549$$
• Целочисленная фора Ф1(-1.0): Включает расчет вероятности полного выигрыша ($x-y\ge 2$), возврата ставки ($x-y=1$) и проигрыша ($x\le y$). Справедливый коэффициент с учетом вероятности пуша рассчитывается через условное математическое ожидание:
  $$O_{\text{Ф1}(-1.0)}=1+\frac{P(\text{Поражение})}{P(\text{Победа})}=1+\frac{P(x\le y)}{P(x-y\ge 2)}=1+\frac{0.50245552}{0.26631699}=2.8867$$

5. Фундаментальный изъян независимости: поправка Диксона и Коулза (1997)

Несмотря на математическую стройность простейшей пуассоновской модели, сравнение с реальными историческими данными выявило систематическое смещение: голы команд в футбольном матче не являются строго независимыми величинами.

В 1997 году британские статистики Марк Диксон и Стюарт Коулз опубликовали в Journal of the Royal Statistical Society фундаментальную статью, предложив корректирующий параметр поправки $\rho$ и весовой множитель $\tau (x,y,\lambda ,\mu ,\rho )$ для четырех низких счетов:

Где функция корректировки $\tau$ определяется кусочно:

Rho является параметром поправки к низким счетам, а не корреляцией Пирсона или ковариацией. Оцените его при положительных множителях. Для положительных интенсивностей строгая область $-\min (1/\lambda ,1/\mu )<\rho <\min (\mathrm{1,1}/(\lambda \mu ))$. Допустимый отрицательный rho повышает 0:0 и 1:1, положительный меняет направление. Полная поправка сохраняет массу и маргинальные распределения; конечная сетка сохраняет хвост.

Экспоненциальное затухание весов (Time-Decay)

Диксон и Коулз также внедрили экспоненциальную весовую функцию для учета фактора времени: матчи, сыгранные на прошлой неделе, несут значительно больше информации о текущей форме, чем игры полугодичной давности:

С полупериодом затухания $\xi$, откалиброванным на 180–240 дней, что обеспечивает оперативную адаптацию к ротации составов и сменам тренеров.

6. Современная эволюция: внедрение метрик ожидаемых голов (xG)

В современной индустрии количественного трейдинга профессиональные синдикаты больше не строят пуассоновские модели исключительно на фактических голах из-за колоссальной дисперсии малых выборок.

Команда проводит всего 38 туров за сезон, забивая от 40 до 80 мячей. Голы — редкие события, и значительная их доля обусловлена случайностью (случайные рикошеты, судейские ошибки при назначении пенальти или грубейшие индивидуальные ляпы вратарей). Оценка силы атаки по реальным голам вносит в коэффициенты колоссальный шум.

Входы xG оценивают вероятности гола после ударов. Они могут добавлять информацию к забитым голам, но качество зависит от признаков, поставщика, обучения и калибровки. Сравнивайте модели голов и xG на одних новых матчах с заданной метрикой и оценкой неопределённости. Фиксированное снижение дисперсии на 35% здесь не установлено.

Байесовское сглаживание и сопряженные Гамма-распределения

На старте сезона или при оценке команд, поднявшихся из низших лиг, доступная статистическая выборка крайне мала ($n<6$ матчей). Прямая оценка методом максимального правдоподобия в условиях дефицита наблюдений приводит к переобучению (overfitting) и аномальным значениям силы атаки.

Для регуляризации оценок применяется байесовский подход с сопряженным априорным Гамма-распределением $\text{Gamma}({\alpha }_0,{\beta }_0)$. Поскольку Гамма-распределение является сопряженным априорным для распределения Пуассона, апостериорная плотность вероятности параметра $\lambda$ после наблюдения выборки из $n$ матчей с суммарным числом голов $S={\sum }_{i=1}^n{x}_i$ также подчиняется Гамма-распределению с обновленными параметрами:

Математическое ожидание апостериорной оценки представляет собой взвешенную комбинацию априорного среднего и выборочного среднего:

При малом размере выборки $n$ оценка естественным образом сжимается к среднелиговому априорному значению ${\alpha }_0/{\beta }_0$, а по мере накопления исторических матчей ($n\to \infty$) вес априорного знания плавно стремится к нулю, позволяя модели полностью опереться на эмпирические данные.

7. Полный практический пример: расчет топ-матча

Следующие рейтинги команд, среднее лиги и предложенный коэффициент являются условными входными данными расчёта. Это не измеренные на конкретную дату показатели названных команд. При расчёте вероятностей сохранена полная точность входных чисел.

Разберем подробный пример: Зенит (Хозяева) против Спартака (Гости).

• Средний тотал РПЛ: ${\mu }_{league}=1.34$ | Домашний фактор: $\gamma =1.18$
• Атака Зенита: ${\alpha }_H=1.38$ | Оборона Зенита: ${\beta }_H=0.72$
• Атака Спартака: ${\alpha }_A=1.18$ | Оборона Спартака: ${\beta }_A=0.88$

Расчет ожидаемой результативности:

Расчет с поправкой Диксона-Коулза ($\rho =-0.10$):

• Победа хозяев: $P_H\approx 54.554939\%,O_H\approx 1.8330$
• Ничья: $P_D\approx 24.186704\%,O_D\approx 4.1345$
• Победа гостей: $P_A\approx 21.258357\%,O_A\approx 4.7040$
• Тотал больше 2.5: $P_{Over}\approx 58.982584\%,O_{Over}\approx 1.6954$
• Тотал меньше 2.5: $P_{Under}\approx 41.017416\%,O_{Under}\approx 2.4380$
• Обе забьют: $P_{BTTS}\approx 59.032669\%,O_{BTTS}\approx 1.6940$

При условном коэффициенте 1.98 на хозяев заданная модель даёт оценку EV около 8.0188%. Результат зависит от модельных вероятностей и совместимых правил расчёта. Проверка модели на данных вне обучающей выборки является отдельным этапом.

8. Эксплуатационные ограничения и динамика матча

При использовании пуассоновского моделирования критически важно помнить об ограничениях статического подхода:

1. Влияние счета (Game State): Ведущая в счете команда переходит в режим удержания преимущества, отдавая мяч и снижая частоту собственных атак, в то время как отстающий соперник повышает риски.
2. Удаления меняют состояние матча. Эффект для интенсивностей зависит от оставшегося времени, счёта, силы команд и обученной модели. Оценивайте и проверяйте поправку по состоянию вместо универсальных множителей 50% и30%.
3. Травмы и ротация: Отсутствие ключевых плеймейкеров требует обязательной ручной корректировки параметров $\alpha$ и $\beta$.

9. Стратегические выводы и практические инструменты

Модель Пуассона с поправкой Диксона-Коулза и калибровкой на xG — это признанный золотой стандарт количественного футбольного беттинга, позволяющий декомпозировать хаос матча в строгие вероятностные оценки.

Протестируйте расчет вероятностей и справедливых коэффициентов для любого матча с помощью нашего бесплатного Калькулятора модели Пуассона.