Logo
Goal Signal

Análise de Partidas com IA

© 2026 Goal Signal

← Voltar aos Palpites do Dia
TECHNICAL DOCUMENTATIONv2.1.0

Metodologia de IA

Abordagem de Machine Learning para Previsão Probabilística de Futebol

Tarsier Vision LTD Research Division • 2026

Resumo

Esta documentação descreve a base matemática, o pipeline de processamento de dados e as métricas de desempenho do modelo do sistema de previsão Golsinyali AI. O sistema gera previsões otimizadas a partir de dados do mercado de apostas usando a teoria de probabilidade bayesiana e métodos de aprendizado ensemble.

1. Arquitetura do Modelo

O sistema utiliza um pipeline de processamento de dados em múltiplas camadas:

Entrada
Raw Data
Odds, Stats, H2H
→
Processo
Feature Eng.
ΔO, EMA, MCI
→
Processo
ML Model
Ensemble
→
Processo
Threshold
C ≥ θ
→
Saída
Prediction
MS, O2.5, BTTS
Pipeline: D → F(D) → M(F) → T(M) → P

2. Especificações do Modelo

Identificador do ModeloGolsinyali AI
Versãov2.1
Janela de Dados de Treinamento24 months
Conjunto de Dados de Treinamento~120.000 partidas
Contagem Cumulativa de Análises50,000+
Frequência de Atualização do ModeloSemanal

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/fora
  • Goal Difference Momentum (GDM)

CCaracterísticas Históricas (Historical Features)

  • Banco de dados de confrontos diretos
  • Desempenho específico por liga
  • Padrões de desempenho sazonal

DCaracterísticas Contextuais

  • Fator casa
  • Densidade do calendário de jogos
  • Ajuste de fuso horário

4. Estrutura Matemática

O cálculo do índice de confiança utiliza uma função de distância normalizada:

Fórmula do Índice de Confiança
C(O) = 100 × (1 - |O - μ| / σ)
where: O = observed odds, μ = optimal mean, σ = range std

Onde O representa o valor da odd observada, μ a média do intervalo ótimo e σ o desvio padrão do intervalo.

Critério de Seleção da Previsão
Pactive = (C(O) ≥ θ) ∧ (Omin ≤ O ≤ Omax)
where: θ = 70 (threshold), Omin/Omax = acceptance range

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 ≤ 2.00

Mais 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 ≤ 3.5

Ambas 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 ≤ 3.75

6. Desempenho Verificado

Não publicamos uma taxa de acerto fixa. A taxa de acerto dos sinais ao vivo encerrados é calculada a partir dos dados brutos e pode ser conferida sinal por sinal no bloco abaixo e na página do histórico de sinais ao vivo.

7. Calibração do Índice de Confiança

O modelo atribui um índice de confiança a cada palpite, e esses índices são recalibrados no início de cada temporada com dados de partidas encerradas. A calibração busca aproximar a probabilidade prevista da distribuição de resultados observada; palpites com índice mais alto são gerados sob critérios de aceitação mais rígidos.

8. Análise de Importância das Features

Pontuações de importância das features calculadas pelo método de importância por permutação:

Odds Differential (ΔO)
28%
Line Movement (dL/dt)
22%
EMA-10 Form
18%
H2H Win Probability
14%
Market Consensus (MCI)
10%
League Position Delta
8%
* Permutation Importance (n=1000 iterations)

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 #14733954

Este sistema é desenvolvido e operado pela Tarsier Vision LTD (UK Company #14733954).

Data de Revisão do Documento: 19 de agosto de 2026
Document Version: v2.1.0 | Generated by Golsinyali Documentation System