ACTUARIAL LAB
解构赔率精算逻辑，探索体育数据数学模型
现代体育精算的核心在于将高维度的赛场对抗解构为可计算的随机过程。如同光学棱镜将复合白光折射为波长分明的单色光谱，体育盘口数学模型将历史赛果、阵容微积分特征与实力差值转化为精确的胜平负概率矩阵与亚洲让球盘（Asian Handicap）定价基准。
xG预期进球、伤停权重与赛程密集度时间衰减
双变量泊松分布、Dixon-Coles低比分相关性修正
动态Elo迭代与10⁵次蒙特卡洛马尔可夫链推演
净胜球积分变换、四分之一盘拆分与Brier回测
在足球等低得分对抗运动中，单位时间内发生进球的次数服从稀有事件随机过程。标准独立泊松模型假设主客队进球互相独立，而精算级模型则通过攻击强度参数 α、防守脆弱度参数 β 以及 Dixon-Coles 相关性系数 ρ 构建联合概率质量函数（PMF）。
设主队 i 与客队 j 在整场比赛中的期望进球数分别为 λ 与 μ。主队打入 x 球、客队打入 y 球的先验概率质量函数定义为：
实证统计表明，当场上比分处于 0-0 或 1-1 时，双方战术风险偏好呈现显著耦合。引入依赖修正因子 τλ,μ(x,y) 与指数时间衰减权重 φ(t) = e-ξ·t：
当 ρ < 0 时，τ(0,0) 与 τ(1,1) 大于 1，从而精准补偿了独立泊松模型对平局概率的系统性低估，这也是庄家开具平局初盘水位时的核心修正项。
| 主 \ 客 | |
|---|---|
原始 Arpad Elo 算法诞生于国际象棋零和博弈，缺乏对“平局结果”、“主场场地偏置”以及“大比分净胜球含金量”的表达能力。在职业体育盘口精算中，研究组采用基于 Logistic 逻辑斯蒂分布的扩展 Elo 体系，实现跨赛季、跨级别赛事的动态实力锚定。
其中 H_venue 为动态主场修正积分（标准足球联赛取值 55–75 分，高原或魔鬼主场可达 90 分）。当两队修正后分差为 100 分时，强队期望得分为 0.640。
对数项 ln(|Δg|+1) 防止垃圾时间刷球导致评级失真，而自相关惩罚分母确保强队大胜弱旅时不会获得虚高的评级膨胀。
| 赛事权重级别 | 基准 K 值 | 休赛期回归系数 | 精算应用场景 |
|---|---|---|---|
| 洲际决赛 / 世界杯淘汰赛 | K = 48 ~ 60 | γ = 0.05 | 高强度单场定胜负，战意充分激活 |
| 五大联赛常规轮次 | K = 24 ~ 32 | γ = 0.18 | 长周期样本稳定，反映真实技战术水准 |
| 国内杯赛早期 / 轮换赛事 | K = 12 ~ 18 | γ = 0.25 | 需结合首发阵容Elo折算率剔除替补噪音 |
解析公式仅能处理静态参数下的稳态分布，而真实体育比赛充满路径依赖（Path Dependence）：第25分钟的意外红牌、第60分钟的主力伤退、或落后方在最后15分钟倾巢而出导致的防线空虚。蒙特卡洛引擎将整场比赛切分为 90 个一分钟马尔可夫时间步（Time-steps），通过伪随机数序列生成上万条平行时空轨迹。
在每个微小时间步 Δt = 1 min 内，瞬时进球强度 λ(t) 并非恒定常数，而是受当前场上比分状态 S(t) 与人数状态 M(t) 调制的函数：
除单场定价外，通过对联赛剩余全部赛程同步运行 50,000 次联合仿真，可精确计算争冠、欧冠席位与降级的边缘分布概率。
欧洲胜平负（1X2）包含三个互斥结果，而亚洲让球盘通过引入以 0.25 为最小颗粒度的虚拟让球数 h，将三维概率空间折叠为二维二元对冲市场，并利用“走盘（Push）”与“半赢/半输（Half-Win / Half-Loss）”机制实现期望赔付平衡。
任何形如 h = k ± 0.25 的复合盘口（如平手/半球 -0.25、半球/一球 -0.75），在精算定价上严格等价于将单位本金 1.0 均分为两份 0.5，分别投入相邻的整数盘 k 与半数盘 k ± 0.5：
| 亚洲让球盘口 (h) | 结算规则简述 (主队视角) | 主队贴水 (Decimal) | 客队贴水 (Decimal) | 盘口均衡度 |
|---|---|---|---|---|
| 主力平衡盘 副盘口 |
在体育概率预测领域，单纯统计“命中率（Hit Rate）”极易产生幸存者偏差。精算机构必须采用严格恰当评分规则（Strictly Proper Scoring Rules），同时度量预测概率的区分度（Resolution）与校准度（Calibration），并以收盘赔率价值（Closing Line Value, CLV）作为模型是否具备市场超额信息（Alpha）的终极判据。
度量模型输出的胜平负概率向量 (p_1, p_X, p_2) 与真实赛果独热向量 (o_1, o_X, o_2) 之间的欧氏距离平方和：
弥补 Brier Score 忽略“主胜—平局—客胜”自然顺序的缺陷。当实际赛果为主胜时，模型把高概率赋给平局所受的惩罚低于赋给客胜：
Log-Loss 对过度自信的错误预测施加指数级惩罚；而 CLV 检验模型定价是否持续优于开赛前一刻高流动性市场的去水收盘赔率 O_close,fair：
| 数学模型架构 | 核心自由度 / 特征维度 | Brier Score ↓ | RPS ↓ | Log-Loss ↓ | 校准斜率 (Calibration Slope) |
|---|---|---|---|---|---|
| 1. 基准先验模型 (仅历史主场胜平负频率) | df = 2 (无球队特征) | 0.6241 | 0.2268 | 1.0512 | 0.74 (欠拟合) |
| 2. 标准独立双泊松模型 (Maher, 1982) | 2N + 1 (攻防静态参数) | 0.5914 | 0.2053 | 0.9945 | 0.91 |
| 3. 动态 Margin-Elo + 有序 Probit 回归 | K, H, ξ, 净胜球对数核 | 0.5862 | 0.2011 | 0.9850 | 0.96 |
| 4. Dixon-Coles 时间衰减双变量泊松 (含 xG) | 2N + ρ + ξ + 非点球xG权重 | 0.5795 | 0.1964 | 0.9738 | 0.98 |
| 5. 泊松-Elo-梯度提升混合集成 (Ensemble Kernel) | 贝叶斯模型平均 + 阵容微观特征 | 0.5732 | 0.1921 | 0.9619 | 0.99 (高校准) |
