足球预测学术研究：11个赛季、3366场比赛，xG模型能否击败赔率？
原文地址
https://journals.sagepub.com/doi/full/10.1177/22150218261416681
抱歉兄弟，已经有接近两个月胜率低迷了，但还是坚信，可以用科学的方法工具战胜赔率差，看到篇很好的文章，给有兴趣在做研究的朋友一些启示
我自己也总结了最近用的所有方法，科学的面对，科学的去探索，加油
以下是前面那篇论文的总结版本，这个方向我认为值得研究！
足球预测学术研究：11个赛季、3366场比赛，xG模型能否击败赔率？
这篇论文与你长期研究的xG实力偏差、赔率概率偏差、历史相似比赛匹配有很强的关联。它研究的核心不是哪支球队更容易赢，而是：
当xG模型计算的真实胜率与博彩公司赔率所反映的胜率发生分歧时，这种分歧能不能成为具有统计价值的预测信号？
论文发表于2026年2月6日的《Journal of Sports Analytics》，作者为Sascha Wilkens，题目为《Can simple models predict football — and beat the odds? Lessons from the German Bundesliga》（简单模型能够预测足球比赛并战胜赔率吗？德国甲级联赛的经验）。
Sascha Wilkens, 2026
一、最重要的5个研究结论
论文模拟回测的主要结果
3,366
德甲比赛样本，11个赛季
≈10%
使用市场平均赔率的模拟ROI
≈15%
使用市场最优赔率的模拟ROI
主胜
模型利润的主要来源
这些是历史回测表现，不是未来能够保证实现的收益。
1. 赔率总体上比xG模型更准确地反映概率。 博彩公司的胜平负概率在统计校准方面表现更好，但仍可能存在局部定价偏差。
2. 简单xG模型仍能捕捉赔率未充分反映的信息。 这意味着赔率并非完全有效，独立于赔率的实力模型具有研究价值。
3. 模拟收益主要来自主胜方向。 相比之下，客胜方向长期表现不佳，拖累模型整体结果。
4. 概率校准非常重要。 论文采用等渗回归（Isotonic Regression），对xG模型输出的概率进行修正，减少系统性预测偏差。
5. 模型不需要特别复杂，关键在于筛选条件。 并非每场比赛都存在可利用的概率偏差；模型表现也会随着赛季和赛果类别显著变化。
Sascha Wilkens, 2026
二、作者究竟怎样利用xG预测比赛？
论文的技术路线可以分为四步。
第一步：采集两队近期xG数据
评估近期进攻、预期进球与球队实力
第二步：使用Skellam概率模型
将预期进球转化为主胜、平局、客胜概率
第三步：历史赛果校准概率
利用前两个赛季进行等渗回归校准
第四步：与赔率概率比较
计算概率差与预期价值，筛选具有优势的场次
其中第三步值得重点关注。
例如，一个模型将100场比赛的主胜概率预测为60%左右，但这些比赛最终只有52场主胜，说明模型的60%存在高估。
作者使用历史赛果重新校准概率，让模型的数值更接近真实发生频率。这比简单地认定“xG强就应该赢”严谨得多。
Sascha Wilkens, 2026
三、最有意思的数据：567次模拟选择的结果
论文使用平均赔率进行固定金额模拟，得到以下分项表现：
| 方向 | 场次 | 命中率 | ROI |
|---|---|---|---|
| 主胜 | 321 | 36.1% | +16.9% |
| 平局 | 139 | 20.9% | +12.5% |
| 客胜 | 107 | 19.6% | -16.6% |
| 整体 | 567 | 29.3% | +9.5% |
Sascha Wilkens, 2026
这里有一个很值得研究的现象：
命中率并不高，模型依然在回测中实现了正收益。
这是因为作者寻找的是赔率对应概率与模型概率之间的价值差异，而不是追求最高的赛果命中率。
另一个重要发现是：移除等渗回归校准后，整体ROI从约10%下降到约1%。这说明历史数据对概率的校准，在这套策略中发挥了实质性作用。
Sascha Wilkens, 2026
不过论文也发现，近期xG的取样长度会显著影响结果：部分替代窗口甚至产生负收益。这提醒我们不能直接把单个模型配置视为普遍有效规律。
四、结合你的足球分析体系，最值得借鉴什么？
你目前的研究已经包含三种有特色的数据：
- xG实力偏差： xG体现的双方实力与赔率概率是否同步。
- 民众热度偏差： SofaScore投票支持率与赔率概率之间的差异。
- 历史相似匹配： 根据联赛、概差、强势方偏差等条件寻找相似比赛，统计赛果分布。
这篇论文最值得借鉴的，并不是它获得了约10%的历史ROI，而是它提供了一个更严谨的研究方向：
将xG实力差异从描述性指标升级为经过历史校准的胜平负概率，再与市场概率比较。
举一个假设案例：
| 指标 | 主胜 | 平局 | 客胜 |
|---|---|---|---|
| 赔率公平概率 | 45% | 28% | 27% |
| 校准后的xG模型概率 | 54% | 25% | 21% |
| SofaScore民众支持率 | 68% | 18% | 14% |
| xG模型－市场 | +9 | -3 | -6 |
| 市场－民众 | -23 | +10 | +13 |
这样就出现了一个很有研究价值的矛盾：
- xG模型认为主胜被赔率低估了9个百分点。
- 民众却比市场公平概率高出23个百分点支持主胜。
- 从实力模型看，主胜似乎具有价值；从民众热度看，主胜又明显过热。
按照单一反热度方法，可能会排除主胜；按照xG价值方法，反而会关注主胜。
究竟哪种信号在这种矛盾场景下更有效？
这恰好适合利用你的历史数据库做交叉分组回测，而不是先主观判断哪个指标更可信。
我建议重点研究四类比赛：xG与市场一致且民众不热；xG看好但民众过热；xG不看好而民众过热；xG与民众同时反对市场。分别统计主胜、平局、客胜真实发生率，以及不同赔率区间的表现。
这些是基于论文延伸出来的研究建议，并非作者已经验证的结论。
五、这篇论文的局限性
必须特别留意三个问题。
首先，它只研究德国甲级联赛，不能直接推断英超、西甲、意甲、法甲和葡超也有相同表现。
其次，论文采用历史收盘赔率回测。实际使用中还存在成交滑点、下注限制和数据时点等问题，研究并没有完整模拟这些约束。
最后，论文的整体表现虽然为正，但夏普比率偏低、回撤较大，说明其收益波动明显，不能简单解释为一种长期稳定的获利方法。
Sascha Wilkens, 2026
我的研究结论
这篇论文对你最大的价值可以概括为一句话：
独立实力模型可能发现赔率遗漏的信息，但历史概率校准与严格的样本外验证，比单纯寻找较大的xG偏差更重要。
你的现有体系比论文多了一个民众支持率维度。论文没有证明“逆民众热度”有效，但它提供了检验这一假设的统计框架。
下一步最值得做的，是拿你已有的历史xG热度表，建立一个新的**“xG实力—市场赔率—民众热度三方分歧模型”**，分别检测三方同向、两方对立和三方分歧时的真实赛果分布，并用时间顺序划分训练集和测试集，避免历史匹配出现过拟合。
这样不仅能够判断你过去三年的研究规律哪些真正有效，也有机会形成区别于常规赛前预测的原创分析方法。