1. Arquitetura do Modelo
O sistema utiliza um pipeline de processamento de dados em múltiplas camadas:
Pipeline: D → F(D) → M(F) → T(M) → P2. Especificações do Modelo
| Identificador do Modelo | Golsinyali AI |
| Versão | v2.1 |
| Janela de Dados de Treinamento | 24 months |
| Conjunto de Dados de Treinamento | ~120.000 partidas |
| Contagem Cumulativa de Análises | 50,000+ |
| Frequência de Atualização do Modelo | Semanal |
3. Fontes de Dados e Engenharia de Features
ACaracterísticas Baseadas no Mercado (Market Features)
Diferencial de odds de abertura/fechamento (ΔO)Velocidade de movimento das linhas (dL/dt)Índice de consenso do mercado (MCI)Indicador de sharp money
BMétricas de Forma (Performance Features)
Média Móvel Exponencial (EMA-5, EMA-10)Diferencial de Expected Goals (xG)Coeficiente de desempenho casa/foraGoal Difference Momentum (GDM)
CCaracterísticas Históricas (Historical Features)
Banco de dados de confrontos diretosDesempenho específico por ligaPadrões de desempenho sazonal
DCaracterísticas Contextuais
Fator casaDensidade do calendário de jogosAjuste de fuso horário
4. Estrutura Matemática
O cálculo do índice de confiança utiliza uma função de distância normalizada:
Onde O representa o valor da odd observada, μ a média do intervalo ótimo e σ o desvio padrão do intervalo.
A previsão é acionada quando o índice de confiança supera o limiar e o valor da odd está dentro do intervalo aceitável.
5. Tipos de Previsão e Critérios de Aceitação
Resultado da Partida (1X2)
P(MS) = f(O_home, O_away) where O ∈ [1.40, 2.00]A definição do favorito é baseada no sistema de odds europeu
Aceitação: 1.40 ≤ O_fav ≤ 2.00Mais de 2,5 Gols
P(O2.5) = g(L_ou) where L ∈ [2.5, 3.5]A expectativa de gols está vinculada à linha Over/Under
Aceitação: 2.5 ≤ Line ≤ 3.5Ambas Marcam (BTTS)
P(BTTS) = h(O_draw, L_ou) where O_x ≤ 4.0 ∧ L ∈ [2.5, 3.75]Critério de aceitação com dupla condição
Aceitação: O_draw ≤ 4.00 ∧ 2.50 ≤ L ≤ 3.756. Resultados do Backtesting
O desempenho do modelo foi avaliado em um conjunto de teste out-of-sample de 24 meses:
Desempenho Geral
Matriz de Confusão (Normalizada)
Calculada com base nas últimas 10.000 previsões
7. Calibração do Índice de Confiança
O modelo produz probabilidades bem calibradas. A tabela a seguir compara os intervalos de confiança previstos com as taxas de acerto observadas:
| Previsto | Observado | Número de Amostras | Δ |
|---|---|---|---|
| 70-75% | 72.3% | 2,847 | +2.3% |
| 75-80% | 77.8% | 3,521 | +2.8% |
| 80-85% | 82.1% | 2,198 | +2.1% |
| 85-90% | 86.4% | 1,102 | +1.4% |
| 90-95% | 91.2% | 332 | +1.2% |
8. Análise de Importância das Features
Pontuações de importância das features calculadas pelo método de importância por permutação:
9. Limitações Metodológicas
- [1]O modelo não incorpora eventos em tempo real (lesões, cartões vermelhos, condições climáticas)
- [2]As previsões são probabilidades estatísticas; não há garantia de resultado determinístico
- [3]Manipulação de mercado e insider trading estão fora do escopo
- [4]O desempenho pode diminuir em ligas menores por insuficiência de dados
- [5]O modelo detecta correlações; não faz inferências causais
10. Referências e Metodologia
- [1]Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal.
- [2]Štrumbelj, E., & Vračar, P. (2012). Simulating a basketball match with a homogeneous Markov model.
- [3]Dixon, M. J., & Coles, S. G. (1997). Modelling Association Football Scores. Applied Statistics.
- [4]Constantinou, A. C., et al. (2012). Profiting from an inefficient association football gambling market.
11. Informações da Empresa
Tarsier Vision LTD
UK Company #14646033
Este sistema é desenvolvido e operado pela Tarsier Vision LTD (UK Company #14646033).