Resposta curta: Sistemas de apostas esportivas são regras para estimar resultados, escolher preços, definir o valor apostado ou combinar seleções. São tarefas diferentes. Uma regra de stake, sozinha, não consegue transformar seleções com valor esperado negativo em um processo com valor esperado positivo, mantidas as mesmas odds e as mesmas probabilidades condicionais. Modelos estatísticos podem ser testados, mas um lucro histórico não prova uma vantagem duradoura. As perguntas úteis são: o que o sistema pressupõe, como suas probabilidades se comparam com os preços disponíveis e se seus resultados resistem a testes realistas com dados que ele nunca viu.
Este guia separa a matemática do marketing. Ele explica os principais tipos de sistema, faz as contas passo a passo e descreve como seriam evidências confiáveis. Trata-se de uma síntese educativa da ABV Tips, uma publicação de prognósticos esportivos com interesse comercial neste assunto. Não é um estudo auditado de forma independente, nem uma recomendação para apostar, nem uma afirmação de que qualquer sistema garante lucro.
Salvo indicação em contrário, os exemplos usam odds decimais hipotéticas, valores apostados em unidades abstratas e apostas com dois resultados de liquidação possíveis: vitória integral ou perda integral. Os retornos incluem o valor apostado original; o lucro não o inclui. Mercados reais podem envolver empates, devoluções (push), liquidações parciais, comissões, impostos e outras condições que alteram os cálculos. Os exemplos ilustram mecanismos, não previsões de retornos alcançáveis.
O que significa “sistema de apostas esportivas”?
A expressão é usada para várias coisas que devem ser avaliadas separadamente.
| Tipo de sistema | Pergunta que responde | Exemplos | Principal limitação |
|---|---|---|---|
| Modelo de previsão | Qual é a probabilidade de cada resultado? | Modelos de Poisson, ratings, regressão logística, machine learning | As probabilidades estimadas podem estar erradas ou ficar desatualizadas |
| Regra de seleção | Quais preços disponíveis passam em um teste definido? | Um limite que compara a probabilidade do modelo com as odds oferecidas | Um limite só é útil se as probabilidades e os preços por trás dele forem confiáveis |
| Regra de stake | Quanto fica exposto em cada seleção? | Stake fixo, fração fixa, Kelly, progressões após perdas | Mudar o valor apostado não cria uma vantagem |
| Estrutura de combinação | Como várias seleções são agrupadas? | Apostas múltiplas, duplas, round robins e apostas de sistema | As probabilidades conjuntas e a exposição total fazem diferença |
| Processo de execução | A oportunidade registrada pode ser obtida de fato? | Registro de preços com data e hora, regras de liquidação e limites de exposição | Um resultado teórico pode não sobreviver à execução real |
Um processo completo pode conter os cinco. Chamar um processo de “orientado por dados” diz pouco sobre se cada componente funciona. Um modelo de previsão sofisticado pode vir acompanhado de uma regra de stake perigosa; uma regra de stake prudente pode vir acompanhada de um modelo impreciso.
Também existe uma armadilha de terminologia. Uma aposta de sistema pode significar um conjunto de combinações menores, como todas as duplas possíveis a partir de quatro seleções. Isso é uma estrutura de aposta, não necessariamente um sistema estatístico para identificar preços favoráveis.
A literatura acadêmica oferece exemplos concretos dessa distinção. Dixon e Coles desenvolveram um modelo de placares de futebol e analisaram uma estratégia de apostas derivada dele. O trabalho de Kelly trata da alocação de capital com probabilidades e pagamentos especificados. São perguntas relacionadas, mas não intercambiáveis. Dixon and Coles, 1997; Kelly, 1956.
A matemática básica: probabilidade, preço e valor esperado
Odds decimais e a probabilidade de equilíbrio
Com odds decimais d, uma aposta vencedora de uma unidade retorna d unidades, incluindo a unidade original. O lucro líquido é d − 1. Uma aposta perdedora perde uma unidade.
Se a verdadeira probabilidade de vitória for p, o lucro líquido esperado por unidade apostada é:
EV = p × (d − 1) − (1 − p) = p × d − 1
“Esperado” significa uma média ponderada pelas probabilidades, não o que a próxima seleção vai render. A probabilidade de equilíbrio (break-even) para essa liquidação simples é:
p_break-even = 1 / d
Com odds de 1.90, a probabilidade de equilíbrio é de cerca de 52.63%. Uma taxa de acerto de 50% nesse preço perde dinheiro na média, mesmo que vitórias e derrotas aconteçam com a mesma frequência.
A mesma previsão pode ser atraente em um preço e desinteressante em outro
Suponha que um modelo atribua a um resultado 55% de chance de vitória. Essa probabilidade é uma premissa do exemplo; não foi comprovado que ela esteja correta.
| Odds decimais | Probabilidade de vitória assumida | Lucro líquido esperado por unidade | Interpretação sob essa premissa |
|---|---|---|---|
| 1.70 | 55% | −0.065 unidades | −6.5% de retorno esperado sobre o valor apostado |
| 1.80 | 55% | −0.010 unidades | −1.0% de retorno esperado sobre o valor apostado |
| 1.90 | 55% | +0.045 unidades | +4.5% de retorno esperado sobre o valor apostado |
| 2.00 | 55% | +0.100 unidades | +10.0% de retorno esperado sobre o valor apostado |
A tabela não aponta uma oportunidade lucrativa. Ela mostra por que uma seleção não pode ser avaliada sem um preço. Se a estimativa de 55% for alta demais, a aparente vantagem pode desaparecer.
Ela também explica por que uma taxa de acerto alta não basta. Um sistema que acerta 70% das seleções com odds de 1.30 tem lucro esperado de 0.70 × 1.30 − 1 = −0.09, ou −9% por unidade. Um sistema com menos acertos pode ter um retorno melhor se as seleções vencedoras forem pagas a preços suficientemente mais altos.
Devoluções e liquidações parciais exigem probabilidades próprias
Se uma aposta pode ganhar, ser devolvida (push) ou perder, use as probabilidades dos três resultados. No caso de reembolso integral em um push:
EV = p_win × (d − 1) − p_loss
Um push contribui com lucro líquido zero. Uma meia vitória ou meia derrota contribui com o seu pagamento fracionário real. Reduzir essas liquidações a um simples rótulo de vitória/derrota pode distorcer tanto o valor esperado quanto as estatísticas de desempenho.
Nosso guia de handicap asiático explica a mecânica de liquidação; o ponto relevante aqui é que o modelo matemático precisa corresponder ao contrato real.
As odds contêm uma margem, não um conjunto pronto de probabilidades verdadeiras
Para um mercado com resultados mutuamente exclusivos e exaustivos, com odds decimais d₁, d₂, …, calcule as probabilidades implícitas brutas qᵢ = 1 / dᵢ.
A soma delas costuma ser maior que um. O excedente acima de um é chamado de overround:
overround = Σ(1 / dᵢ) − 1
Por exemplo, considere um mercado hipotético com dois resultados, cotando 1.90 para qualquer um deles. As probabilidades implícitas brutas são 52.63% e 52.63%, totalizando 105.26%. O overround é de aproximadamente 5.26 pontos percentuais.
Se os resultados forem de fato igualmente prováveis, a perda esperada em qualquer das seleções é de 5% do valor apostado: 0.50 × 1.90 − 1 = −0.05. Repare que overround de 5.26% e perda esperada de 5% são grandezas diferentes. O overround não é automaticamente a taxa de lucro realizada pela casa de apostas nem a perda esperada em toda seleção possível.
Remover o overround é uma escolha de estimativa
Uma primeira aproximação comum divide cada probabilidade implícita bruta pela soma de todas elas:
pᵢ_normalised = qᵢ / Σqⱼ
Isso gera probabilidades que somam um, mas pressupõe uma forma específica de distribuir a margem. Não revela as probabilidades verdadeiras. Outros métodos partem de premissas diferentes sobre como os preços são distorcidos, incluindo o efeito favorito–azarão (favourite–longshot).
Štrumbelj analisou métodos para extrair previsões de probabilidade a partir das odds de apostas. A implicação prática é que uma “probabilidade justa” inferida de um mercado deve ser apresentada como uma estimativa produzida por um método declarado. Não é um fato observado. Štrumbelj, 2014.
Por que os preços de mercado são uma referência útil, não um oráculo
Os preços agregam informação e decisões comerciais. Eles podem refletir capacidade de previsão, preferências dos clientes, exposição ao risco e concorrência no mercado. Não se deve presumir que sejam perfeitamente precisos nem que sejam ajustados mecanicamente para equilibrar o dinheiro apostado em cada resultado.
O estudo de Levitt sobre um conjunto específico de dados de apostas em futebol americano encontrou indícios de exposição deliberada e de exploração dos vieses dos apostadores. Isso contesta a explicação simplista de que a casa “sempre equilibra o livro”. Os resultados descrevem o mercado e o período estudados, não todos os esportes, operadores ou mercados atuais. Levitt, 2004.
Sistemas de previsão: o que os modelos realmente estimam
Ratings e regressão
Modelos de rating resumem a força relativa de times ou jogadores. Modelos de regressão relacionam preditores, como a força estimada e o fator casa, a um resultado ou a uma distribuição de probabilidade.
O tipo de regressão precisa ser adequado ao alvo. A regressão logística pode modelar um resultado binário; modelos multinomiais podem representar várias categorias de resultado; modelos de contagem podem representar gols ou pontos. A regressão linear comum é uma ferramenta entre outras, não a solução padrão para todo resultado esportivo.
Utilidade preditiva também é diferente de causalidade. Uma variável pode melhorar uma previsão sem que se tenha demonstrado que ela causa o resultado. Por outro lado, uma explicação causal plausível não demonstra que ela acrescenta informação preditiva além do que já está no preço.
Modelos de Poisson para futebol e Dixon–Coles
Um modelo de Poisson básico trata o número de gols de um time como uma variável aleatória com uma taxa esperada, geralmente representada por λ:
P(G = k) = exp(−λ) × λ^k / k!
Aqui, k é um número de gols não negativo e k! é o seu fatorial. Com um modelo para os placares dos dois times, as probabilidades de cada placar podem ser somadas para obter as probabilidades de vitória do mandante, empate, vitória do visitante ou de um mercado de total de gols.
Para ilustrar: se um modelo de Poisson independente atribui 1.5 gol esperado ao mandante e 1.0 ao visitante, a probabilidade de um placar de 0–0 é:
P(0–0) = exp(−1.5) × exp(−1.0) = exp(−2.5) ≈ 8.21%
Esse número decorre do modelo assumido. Não prova que uma partida real tenha essa probabilidade. Entre as limitações do modelo estão as mudanças na força dos times e a dependência entre os dois processos de gols.
O artigo de Dixon e Coles de 1997 desenvolveu uma abordagem baseada em regressão de Poisson para placares de futebol, levando em conta a natureza dinâmica do desempenho dos times, e analisou uma estratégia de apostas derivada usando odds históricas. O retorno histórico relatado é uma evidência sobre o modelo e a amostra daquele estudo. Não demonstra que a mesma abordagem vai gerar retorno positivo com os preços atuais. Dixon and Coles, 1997.
Machine learning muda a classe do modelo, não o ônus da prova
Ensembles de árvores, redes neurais e outros métodos flexíveis conseguem representar relações complexas. Também podem se ajustar ao ruído, aproveitar vazamentos acidentais de dados ou ter bom desempenho em um conjunto de teste que, sem ninguém perceber, influenciou o desenvolvimento.
Um modelo que usa mais variáveis não é necessariamente um estimador de probabilidade melhor. Seu desempenho depende da qualidade dos dados, da definição do alvo, da regularização, do desenho da validação e das mudanças no próprio esporte. Os princípios de seleção e avaliação de modelos são discutidos em profundidade em The Elements of Statistical Learning. Hastie, Tibshirani and Friedman, 2009.
Para qualquer modelo, pergunte quais informações estavam disponíveis no momento da previsão. Uma previsão “pré-jogo” construída com a escalação inicial real não é comparável com um preço registrado antes de essa escalação ser anunciada.
Regras de seleção: a previsão é só um dos insumos
Uma regra de seleção transforma probabilidades e preços disponíveis em uma decisão definida. Por exemplo, uma regra analítica pode marcar seleções para revisão quando o valor esperado estimado ultrapassa um limite.
Esse limite não conserta um modelo mal calibrado. Se um modelo superestima sistematicamente a probabilidade de um resultado, escolher as maiores vantagens aparentes pode concentrar a exposição justamente nos maiores erros.
Um registro transparente deve distinguir:
- A probabilidade do modelo antes de o resultado ser conhecido.
- O preço disponível no mesmo momento da decisão.
- O cálculo usado para comparar essa probabilidade com esse preço.
- A regra de inclusão ou exclusão.
- O tratamento de preços indisponíveis, mercados alterados e seleções anuladas.
Esses detalhes importam mais do que um rótulo como “sistema de valor”. Para uma introdução mais curta ao conceito, veja nosso guia sobre value bet.
Sistemas de stake: controlar a exposição é uma tarefa à parte
Stake fixo
O stake fixo usa o mesmo valor nominal em cada seleção. Uma aposta de uma unidade continua sendo de uma unidade, quer a seleção anterior tenha ganhado, quer tenha perdido.
Sua principal vantagem analítica é a comparabilidade. Os resultados ficam menos afetados por uma decisão de aumentar a exposição logo antes de uma boa sequência. Por outro lado, uma unidade nominal fixa passa a representar uma fatia maior de uma banca que encolhe e uma fatia menor de uma banca que cresce.
O stake fixo não cria valor esperado positivo. Ele apenas fixa uma parte do processo.
Stake de fração fixa
Uma regra de fração fixa expõe uma fração definida da banca atual. Com 2%, uma banca de 100 unidades implica uma aposta de duas unidades; depois de uma derrota, uma banca de 98 unidades implica uma aposta de 1.96 unidade.
Depois de dez derrotas integrais seguidas com essa fração, a banca fica em:
100 × 0.98^10 ≈ 81.71 units
O drawdown é de aproximadamente 18.29%, e não os 20% que resultariam de dez perdas fixas de duas unidades. Isso ilustra como a exposição muda; não mostra que uma regra de 2% seja adequada ou segura.
Em um modelo idealizado, com valores apostados divisíveis e uma fração estritamente abaixo de 100%, a banca não chega exatamente a zero depois de um número finito de perdas comuns. Na prática, a banca pode ficar pequena demais para ser útil, os valores mínimos de aposta pesam e grandes drawdowns continuam possíveis. “Nunca chega ao zero matemático” não é o mesmo que “não pode quebrar o orçamento”.
Progressões positivas e negativas
Sistemas de progressão mudam o valor apostado de acordo com os resultados anteriores. As progressões negativas aumentam a exposição depois de derrotas. As positivas a aumentam depois de vitórias, muitas vezes com uma regra de reinício.
Exemplos incluem Martingale, Fibonacci, D'Alembert e regras no estilo Paroli. As sequências variam, mas a pergunta central é a mesma: a próxima seleção tem valor esperado condicional positivo no preço disponível, e quanto risco o valor apostado acrescenta?
Uma sequência de valores apostados não é evidência de que as próprias seleções sejam favoráveis.
Por que o Martingale não elimina a desvantagem de fundo
O exemplo clássico do Martingale dobra o valor apostado após cada derrota e volta ao início após uma vitória. A conta padrão pressupõe ganho líquido igual ao valor apostado (even money), o que equivale a odds decimais de 2.00, sem custos nem complicações de liquidação.
Começando com uma unidade, seis apostas perdedoras seguidas somam:
1 + 2 + 4 + 8 + 16 + 32 = 63 units
A aposta seguinte seria de 64 unidades. Se ela ganhar a 2.00, gera 64 unidades de lucro líquido, compensando a perda anterior de 63 unidades e deixando uma unidade. Mas, para fazê-la, são necessárias mais 64 unidades depois de 63 já terem sido perdidas: 127 unidades de capacidade de financiamento acumulada nesse caminho.
Isso cria muitos pequenos ganhos possíveis por ciclo e uma perda menos frequente, porém muito maior, quando uma restrição de banca, um limite de aposta ou uma regra de parada impede a continuação. Uma alta porcentagem de ciclos bem-sucedidos pode, portanto, conviver com resultados esperados ruins.
O que acontece com odds abaixo de 2.00?
Com odds decimais de 1.90, simplesmente dobrar nem sempre recupera as perdas acumuladas. Depois de perdas de uma e duas unidades, uma vitória de quatro unidades gera 4 × 0.90 = 3.60 unidades de ganho líquido, deixando um lucro de 0.60 unidade no ciclo. Depois de perdas de uma, duas e quatro unidades, uma vitória de oito unidades gera 7.20 unidades, deixando apenas 0.20 unidade. Depois de perdas de uma, duas, quatro e oito unidades, uma vitória de 16 unidades gera 14.40 unidades contra 15 unidades já perdidas: o ciclo ainda perde 0.60 unidade.
Para buscar um lucro definido por ciclo com odds fixas d, a aposta seguinte necessária seria:
next stake = (accumulated losses + target profit) / (d − 1)
Com odds abaixo de 2.00, essa exigência de recuperação cresce mais rápido do que a conhecida sequência de dobrar. E ainda pressupõe que o valor necessário e o preço continuem disponíveis.
A razão geral pelo valor esperado
Suponha que um valor apostado sₜ seja escolhido usando apenas informações disponíveis antes da seleção t. Seja pₜ sua probabilidade condicional de vitória e dₜ suas odds decimais. Seu lucro líquido esperado condicional é:
E[profitₜ | information available] = sₜ × (pₜ × dₜ − 1)
Se pₜ × dₜ − 1 for não positivo sempre que um valor não negativo for apostado, mudar sₜ não torna essa expectativa condicional positiva. Em uma sequência finita e fixa, ou em um processo com valores apostados limitados e horizonte de parada limitado, somar esses lucros esperados preserva essa conclusão. Um argumento ilimitado do tipo “continuar para sempre” exige premissas matemáticas adicionais e não descreve uma banca finita.
O raciocínio não exige que todas as seleções sejam independentes. Exige que a premissa de valor esperado condicional se mantenha dadas as informações usadas para escolher o valor apostado. Se alguma informação relevante realmente mudar, a estimativa de probabilidade precisa ser reavaliada; uma sequência de derrotas, por si só, não é evidência de que uma vitória “está para vir”.
Regras de stop-loss e stop-win podem mudar a exposição, a duração da sessão e a distribuição dos resultados. Sob essas mesmas premissas, elas não fabricam valor esperado positivo.
O critério de Kelly: um objetivo de crescimento com premissas exigentes
O critério de Kelly aloca capital para maximizar o crescimento logarítmico esperado da riqueza sob um modelo especificado. O artigo original de Kelly foi publicado em 1956; trabalhos posteriores discutem aplicações em apostas e mercados financeiros. Kelly, 1956.
Para uma aposta simples de vitória integral/perda integral, considere:
pa probabilidade de vitória.q = 1 − pa probabilidade de derrota.b = d − 1as odds líquidas.fa fração da riqueza exposta.
O crescimento logarítmico esperado para uma oportunidade desse tipo é:
g(f) = p × ln(1 + b × f) + q × ln(1 − f)
O ótimo interior sem restrições é:
f* = (b × p − q) / b = (p × d − 1) / (d − 1)
Em um contexto em que só é possível apostar a favor da seleção, um resultado não positivo significa nenhuma alocação positiva sob esse modelo. Não é uma instrução para fazer uma aposta negativa. Outras restrições também precisam ser aplicadas.
Um exemplo prático de Kelly
Suponha odds de 1.90 e uma probabilidade de vitória genuinamente correta de 55%:
f* = (0.55 × 1.90 − 1) / 0.90 = 0.05
A fração de Kelly completo do modelo é 5%. Meio Kelly seria 2.5%; um quarto de Kelly seria 1.25%.
Esses números são resultados de premissas hipotéticas, não valores de aposta recomendados para ninguém. Uma alocação de Kelly completo pode ter drawdowns consideráveis mesmo que as probabilidades estejam corretas. Ela maximiza um objetivo específico de crescimento no longo prazo, não a chance de ganhar a próxima seleção, de evitar perdas ou de cobrir uma necessidade de gasto no curto prazo.
Um erro de probabilidade pode inverter o cálculo
Mantenha as odds em 1.90, mas suponha que a probabilidade verdadeira seja 52%, e não 55%. O retorno esperado real por unidade é:
0.52 × 1.90 − 1 = −0.012
A aparente oportunidade passa a ser uma perda esperada de 1.2%. Uma fração de Kelly de aparência precisa, calculada a partir da probabilidade errada, não protege a banca.
O Kelly fracionado reduz a exposição em relação à alocação completa do modelo, mas não transforma uma seleção com vantagem negativa em uma com vantagem positiva. Para as premissas, variantes e aplicações do critério, veja o capítulo de Thorp no Handbook of Asset and Liability Management. Thorp, 2008.
Várias posições abertas exigem uma visão de carteira
A fórmula simples não justifica aplicar a fração completa de forma independente a cada seleção simultânea. Várias posições podem depender da mesma partida, do mesmo time, da mesma liga ou do mesmo erro de fundo do modelo.
Um tratamento de carteira precisa da distribuição conjunta dos resultados, do momento das liquidações e da exposição total. Bilhetes que parecem separados podem compartilhar o mesmo risco. Somar valores de Kelly calculados individualmente pode superestimar a alocação total adequada.
Para uma abordagem mais curta sobre unidades e exposição, veja nosso guia de gestão de banca.
Apostas múltiplas, round robins e apostas de sistema
Uma aposta múltipla normalmente exige que todas as seleções sejam vencedoras. Se todas as seleções forem independentes e a liquidação de vitória integral/perda integral de cada uma for compatível com a aposta combinada:
P(all win) = p₁ × p₂ × … × pₙ
Se o pagamento decimal for o produto das odds de cada seleção:
d_accumulator = d₁ × d₂ × … × dₙ
O retorno bruto esperado por unidade é, portanto:
expected gross return = ∏(pᵢ × dᵢ)
Pense em quatro seleções hipotéticas independentes, cada uma com probabilidade de vitória de 55% e odds de 1.80. Cada aposta simples tem retorno bruto esperado de 0.99 unidade por unidade apostada. A múltipla de quatro seleções tem:
- Probabilidade de as quatro ganharem:
0.55^4 ≈ 9.15%. - Pagamento decimal:
1.80^4 = 10.4976. - Retorno bruto esperado:
0.99^4 = 0.96059601. - Retorno líquido esperado: aproximadamente −3.94% do valor apostado.
O pagamento maior que chama a atenção não significa mais valor. Neste exemplo, combinar as seleções acumula as desvantagens de cada uma.
A independência é essencial para esse cálculo por produto. Se as seleções forem correlacionadas, a probabilidade conjunta precisa ser modelada diretamente. Mesmo estimativas individualmente favoráveis não comprovam o valor de um preço combinado sem as premissas de dependência corretas.
Por que o número de acertos de uma aposta de sistema pode enganar
Um round robin distribui o valor apostado por várias combinações. Quatro seleções formam seis duplas distintas. Com uma unidade em cada dupla, o total apostado é de seis unidades, não uma.
Se as quatro seleções independentes do exemplo tiverem as mesmas probabilidades e odds, cada dupla tem retorno bruto esperado de 0.99² = 0.9801 por unidade. A carteira de seis duplas tem, consequentemente, retorno bruto esperado de 6 × 0.9801 = 5.8806 unidades para seis apostadas, uma perda esperada de 0.1194 unidade, ou 1.99% do volume apostado.
As duplas compartilham seleções, então seus pagamentos são dependentes. Não é preciso haver independência entre as duplas para somar suas expectativas, mas essa dependência pesa muito na variabilidade do resultado total.
“Algumas combinações ganharam” não é medida de lucro. O valor apostado e a liquidação de cada bilhete precisam ser contabilizados. Nosso guia de apostas múltiplas explica a terminologia básica de pagamento. Para conferir a odd, o retorno e a probabilidade conjunta de uma múltipla, use nossa calculadora de múltiplas.
Arbitragem e hedge são diferentes de prever um resultado
Em um mercado simples com resultados mutuamente exclusivos e exaustivos, um conjunto de preços executáveis pode permitir uma arbitragem teórica quando:
Σ(1 / dᵢ) < 1
A condição descreve uma estrutura matemática de pagamentos. Uma avaliação no mundo real precisa considerar se todas as posições necessárias podem ser aceitas aos preços registrados e se as regras de liquidação coincidem. Comissões, movimentação de preços, aceitação parcial, anulações, restrições de conta e risco de contraparte podem mudar o resultado.
Fazer hedge significa assumir outra posição que reduz parte de uma exposição existente. Isso pode reduzir um risco específico, mas também reduzir o lucro esperado ou acrescentar custos. Nem a existência de um hedge nem a palavra “arbitragem” tornam um processo operacional livre de risco.
Este guia não recomenda nenhuma estratégia de execução. A distinção é que sistemas de previsão estimam resultados incertos, enquanto um cálculo ideal de arbitragem compara um conjunto completo de pagamentos contratados.
Como testar um sistema de apostas esportivas sem enganar a si mesmo
Separe o desenvolvimento da avaliação
Um backtest aplica uma regra a dados históricos. Ele só é útil se o processo respeitar o que era conhecido e estava disponível na época.
O mesmo conjunto de dados não deve servir repetidamente como fonte de ideias, alvo de ajuste e suposta prova independente. A literatura geral sobre avaliação de modelos explica por que o desempenho aparente nos dados de desenvolvimento é otimista. Pesquisas sobre backtesting também analisam o risco de escolher uma regra aparentemente bem-sucedida entre muitas alternativas. Hastie, Tibshirani and Friedman, 2009; Bailey et al., 2017.
Para dados esportivos ordenados no tempo, uma avaliação auditável pode usar:
- Um período de treino anterior, para estimar os parâmetros do modelo.
- Um período de validação posterior, para escolher configurações e limites de seleção.
- Um período de teste ainda posterior, mantido intocado até que essas escolhas estejam fixadas.
- Um registro prospectivo subsequente, com previsões registradas com data e hora antes dos eventos.
O teste walk-forward repete ao longo do tempo um processo explicitamente definido de treinar e depois testar. Cada previsão de teste deve usar apenas informações anteriores. Reajustar o modelo é legítimo quando faz parte do procedimento declarado; reescrever o procedimento depois de ver um intervalo ruim é uma nova etapa de desenvolvimento, não um teste intocado.
Audite o vazamento de dados
Problemas comuns de vazamento incluem:
- Usar a classificação final da temporada para prever partidas disputadas antes, naquela mesma temporada.
- Usar a odd de fechamento para selecionar uma oportunidade supostamente identificada horas antes.
- Incluir um boletim de lesões que ainda não tinha sido publicado no momento da decisão.
- Dividir registros intimamente relacionados entre os conjuntos de treino e de teste sem preservar a ordem temporal dos eventos.
- Tomar decisões de pré-processamento ou de seleção de variáveis usando o conjunto de dados inteiro.
Cada preditor deve ter um momento de publicação plausível, não apenas a data do evento. Uma boa pergunta de auditoria é: alguém fazendo esta previsão naquele horário poderia ter obtido exatamente esta informação?
Conte as regras que falharam
Se 1000 regras sem relação entre si forem testadas e cada uma for avaliada com um limite nominal de falso positivo de 5%, espera-se cerca de 50 falsos positivos sob uma hipótese nula global em que nenhuma delas tem efeito real. A contagem esperada vem da soma das probabilidades individuais de falso positivo; não é preciso independência para chegar a essa expectativa.
Encontrar um resultado atraente depois de uma busca extensa é, portanto, diferente de confirmar uma regra especificada de antemão. Divulgue o processo de busca, mantenha um teste intocado e considere métodos adequados de testes múltiplos ou de reamostragem. Uma busca repetida no conjunto de teste o transforma em mais um conjunto de desenvolvimento.
É por isso que uma regra complicada como “times visitantes em determinado dia da semana depois de duas derrotas” precisa de mais do que uma porcentagem histórica de acertos atraente.
Reconstrua a execução e a liquidação
Um registro realista deve especificar a fonte do preço, o horário, a definição do mercado, a disponibilidade do valor apostado, as taxas e a liquidação. Seleções ausentes não podem simplesmente sumir porque o resultado foi inconveniente.
Por exemplo, uma previsão publicada às 15:00 não pode receber o crédito de um preço que só estava disponível às 10:00, a menos que o processo tenha de fato registrado esse preço e pudesse usá-lo naquele momento. Um pagamento máximo cotado também é diferente de um valor apostado aceito naquele preço.
Documente as políticas para apostas anuladas e liquidações parciais, a conversão de moeda quando for relevante e o tratamento da exposição simultânea. Essas são premissas que determinam o resultado divulgado.
Meça probabilidades, resultados financeiros e risco separadamente
Calibração e regras de pontuação
Uma previsão calibrada de 60% deve corresponder, em um conjunto suficientemente informativo de previsões comparáveis, a resultados que acontecem cerca de 60% das vezes. A calibração é uma propriedade do grupo, não uma promessa de que um evento específico vai dar certo.
Um modelo que prevê apenas a taxa base geral pode ser calibrado e, ainda assim, não informar nada. A avaliação de probabilidades deve considerar a utilidade da variação das previsões, além da calibração.
Regras de pontuação próprias (proper scoring rules) avaliam previsões de probabilidade em relação aos resultados observados. Duas funções de perda comuns para resultados binários são:
Brier loss = average[(pᵢ − yᵢ)²]
Log loss = −average[yᵢ × ln(pᵢ) + (1 − yᵢ) × ln(1 − pᵢ)]
Aqui, yᵢ vale um para uma vitória e zero caso contrário. Nessas convenções de perda, quanto menor, melhor. Para eventos com vários resultados possíveis, use uma definição multicategoria adequada e informe a escala usada. Uma probabilidade zero atribuída a um resultado que acontece produz um log loss ilimitado.
A revisão de Gneiting e Raftery explica por que as regras de pontuação próprias recompensam a avaliação honesta de probabilidades. Um desempenho melhor na pontuação, porém, não implica automaticamente lucro com os preços disponíveis para execução. Gneiting and Raftery, 2007.
Um relatório mínimo de desempenho
| Medida | O que descreve | O que não comprova |
|---|---|---|
| Taxa de acerto | Parcela das seleções liquidadas registradas como vitórias, segundo uma convenção declarada | Lucratividade, sem os preços e os detalhes de liquidação |
| Lucro líquido | Retornos menos valores apostados e custos incluídos | Se a exposição foi razoável ou se os resultados vão se repetir |
| Retorno sobre o volume apostado | Lucro líquido dividido pelo total apostado | Crescimento sobre o capital inicial ou certeza estatística |
| Drawdown máximo | Maior queda do pico ao vale na curva de capital declarada | A pior perda que pode acontecer no futuro |
| Calibração e pontuações próprias | Qualidade das previsões de probabilidade | Disponibilidade de um preço lucrativo |
| Movimento de preço ou comparação com a odd de fechamento | Como os preços registrados se comparam com uma referência posterior | Prova de que a referência é verdadeira ou de que o processo é lucrativo |
| Tamanho da amostra e intervalo de incerteza | Quanta evidência o registro contém sob premissas declaradas | Proteção contra vazamento de dados, viés de seleção ou mudança de cenário |
“ROI” e “yield” são usados de forma inconsistente por diferentes publicações. Um relatório deve informar seu denominador. Um retorno de 5% sobre o volume apostado não é necessariamente um retorno de 5% sobre a banca inicial, principalmente quando o mesmo capital é usado várias vezes.
O drawdown também precisa de uma definição: banca liquidada, banca incluindo passivos em aberto ou capital marcado a mercado podem produzir curvas diferentes. Um gráfico de aparência suave pode esconder exposição ainda não resolvida.
O que o valor em relação à odd de fechamento pode e não pode mostrar
Para o mesmo resultado e as mesmas condições de liquidação, conseguir um preço decimal mais alto do que a odd de fechamento posterior é uma comparação bruta de preço favorável. Um registro pode acompanhar isso como um dos indicadores de diagnóstico.
Mas a odd de fechamento também inclui uma margem, pode estar desatualizada ou ter pouca liquidez e, por definição, não é a probabilidade verdadeira. Uma comparação séria deve especificar o mercado, o horário e o método de ajuste da margem. Conseguir preços melhores de forma consistente é uma evidência útil sobre a execução; não é, por si só, prova de valor esperado positivo.
Quanta evidência é suficiente?
Não existe um número mínimo universal de apostas que torne um sistema comprovado. A resposta depende da vantagem proposta, da variabilidade dos pagamentos, da dependência entre as seleções, da seleção do modelo e da precisão exigida.
Considere 1000 seleções hipotéticas independentes de vitória integral/perda integral, todas com odds de 1.90, com 550 vitórias e 450 derrotas, apostando uma unidade em cada. O lucro líquido é:
550 × 0.90 − 450 = 45 units
O retorno sobre o volume apostado é de 4.5%. A taxa de acerto observada é de 55%. Sob um modelo binomial independente simples, com uma probabilidade de vitória comum, um intervalo aproximado de 95% para essa probabilidade, pela aproximação normal, é:
0.55 ± 1.96 × sqrt(0.55 × 0.45 / 1000)
Isso dá aproximadamente de 51.9% a 58.1%. A probabilidade de equilíbrio de 52.63% está dentro desse intervalo. Portanto, o lucro observado, por si só, não descarta uma probabilidade de vitória de fundo que apenas empate, nesse nível aproximado de intervalo.
Este cálculo é ilustrativo, não um teste completo de um registro real. Odds variáveis, partidas compartilhadas, qualidade de seleção que muda, regras adaptativas e buscas anteriores exigem um modelo mais adequado. Um intervalo de incerteza não corrige um conjunto de dados que foi escolhido depois que seus resultados já eram conhecidos.
Mesmo evidências históricas fortes sustentam uma afirmação sobre o processo e o ambiente testados. Mudanças nos times, no calendário, nas fontes de dados, na precificação e na concorrência podem enfraquecer uma vantagem. A avaliação contínua de um sistema faz parte da sua definição, não é um extra opcional.
Um checklist prático para avaliar um sistema anunciado
Antes de considerar relevante uma alegação de desempenho, verifique se ela responde a estas perguntas:
- O que é o sistema? Separe a previsão, a regra de seleção, a regra de stake e o processo de execução.
- Que informações ele usou? Exija os horários das previsões e dados que estavam disponíveis na época.
- Onde estão as probabilidades? Uma lista de vencedores não é um modelo de probabilidade.
- Quais preços estavam disponíveis? Exija odds contemporâneas e realisticamente obteníveis.
- O que foi testado? Identifique os períodos de desenvolvimento, os testes intocados e qualquer mudança posterior nas regras.
- Qual foi o tamanho da busca? Inclua no registro da pesquisa as variantes abandonadas e as tentativas malsucedidas.
- O que entra no lucro? Contabilize de forma consistente cada valor apostado, perda, taxa, anulação e liquidação parcial.
- Que risco foi assumido? Informe o drawdown, a exposição em aberto e a sensibilidade a erros de probabilidade.
- Quão incertos são os resultados? Use métodos adequados às odds e à estrutura de dependência.
- Quem se beneficia da alegação? Distinga uma avaliação independente do marketing da própria publicação.
Sinais de alerta incluem linguagem de renda garantida, uma progressão de recuperação apresentada como vantagem matemática, prints de tela sem um histórico completo e resultados que não podem ser reproduzidos a partir de um registro com data e hora.
Decidir não apostar não exige nenhuma justificativa estatística. Um modelo pode ser interessante como exercício de previsão sem ser adequado para expor dinheiro.
Perguntas frequentes
Um sistema de apostas esportivas pode garantir lucro?
Um sistema de previsão ou de stake não pode garantir o resultado de eventos incertos. Um cálculo ideal de arbitragem pode descrever um pagamento travado sob suas premissas, mas os riscos reais de execução, liquidação e contraparte ainda precisam ser avaliados. Uma garantia em um texto de marketing não é evidência.
O Martingale é mais seguro porque a maioria dos ciclos pode terminar com um pequeno ganho?
A frequência de ciclos lucrativos ignora o tamanho dos ciclos perdedores. As progressões podem trocar muitos ganhos pequenos por uma probabilidade menor de uma perda grande. Com bancas finitas e limites de aposta, a recuperação não é garantida; abaixo de odds decimais de 2.00, a conta habitual de dobrar também muda.
O critério de Kelly é um sistema de previsão?
Não. É um critério de alocação a partir de probabilidades, pagamentos e um objetivo. Ele não fornece as probabilidades nem verifica se um modelo tem vantagem. Probabilidades mal estimadas e posições correlacionadas podem tornar inadequada uma alocação aparentemente precisa.
Uma taxa de acerto maior significa um sistema melhor?
Não sem os preços, os valores apostados, os custos e o risco. Uma taxa de acerto alta com odds baixas pode perder dinheiro. A qualidade das probabilidades e o valor de um preço devem ser medidos separadamente da simples precisão dos palpites.
Um backtest lucrativo justifica a alegação de uma vantagem duradoura?
Pode motivar uma investigação mais aprofundada, mas não comprova persistência. Vazamento de dados, testes múltiplos, preços indisponíveis e um ambiente em mudança podem explicar uma lucratividade aparente. Períodos de teste independentes e um registro prospectivo completo fornecem evidências mais fortes, mas a incerteza continua.
Apostas de sistema são a mesma coisa que um sistema de apostas?
Não necessariamente. Uma aposta de sistema geralmente significa um pacote de combinações a partir de várias seleções. Ela muda a distribuição dos valores apostados e dos pagamentos. Por si só, não melhora as probabilidades de fundo nem cria valor esperado positivo.
Referências e alcance das evidências
As referências abaixo sustentam conceitos específicos de matemática, modelagem ou avaliação. Nenhuma delas comprova que a ABV Tips, ou qualquer serviço comercial atual, tenha um sistema lucrativo. Os estudos históricos devem ser lidos no contexto de seus próprios dados, premissas e datas de publicação.
- Kelly, J. L., Jr. (1956). “A New Interpretation of Information Rate.” Bell System Technical Journal, 35(4), 917–926. DOI: 10.1002/j.1538-7305.1956.tb03809.x. Tratamento original que relaciona informação e crescimento de capital sob um modelo de apostas especificado. Reprodução de acesso público hospedada pela Princeton.
- Thorp, E. O. (2008). “The Kelly Criterion in Blackjack Sports Betting, and the Stock Market.” In Handbook of Asset and Liability Management, 385–428. DOI: 10.1016/B978-044453248-0.50015-0. Tratamento posterior do critério, de suas aplicações e de considerações práticas. Também circulam uma versão anterior do manuscrito e reimpressões posteriores; a data aqui identifica a edição citada do handbook.
- Dixon, M. J., and Coles, S. G. (1997). “Modelling Association Football Scores and Inefficiencies in the Football Betting Market.” Journal of the Royal Statistical Society: Series C (Applied Statistics), 46(2), 265–280. DOI: 10.1111/1467-9876.00065. Modelagem de placares de futebol e análise histórica de uma estratégia de apostas derivada. Registro na Lancaster University.
- Štrumbelj, E. (2014). “On Determining Probability Forecasts from Betting Odds.” International Journal of Forecasting, 30(4), 934–943. DOI: 10.1016/j.ijforecast.2014.02.008. Métodos para extrair probabilidades de odds cotadas e a importância do ajuste escolhido.
- Levitt, S. D. (2004). “Why Are Gambling Markets Organised So Differently from Financial Markets?” The Economic Journal, 114(495), 223–246. DOI: 10.1111/j.1468-0297.2004.00207.x. Análise empírica da precificação, do comportamento dos apostadores e da exposição do operador no mercado estudado. Artigo hospedado pelo autor na University of Chicago.
- Gneiting, T., and Raftery, A. E. (2007). “Strictly Proper Scoring Rules, Prediction, and Estimation.” Journal of the American Statistical Association, 102(477), 359–378. DOI: 10.1198/016214506000001437. Revisão e desenvolvimento de regras de pontuação próprias para previsões de probabilidade. Artigo hospedado pelo autor na University of Washington.
- Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, segunda edição. Springer. DOI: 10.1007/978-0-387-84858-7. Referência geral sobre aprendizado estatístico, complexidade de modelos, avaliação e seleção de modelos. Site do livro mantido pelos autores.
- Bailey, D. H., Borwein, J. M., López de Prado, M., and Zhu, Q. J. (2017; publicado on-line pela primeira vez em 2016). “The Probability of Backtest Overfitting.” The Journal of Computational Finance, 20(4), 39–69. DOI: 10.21314/JCF.2016.322. Seleção de backtests e overfitting em pesquisa financeira; citado pelo problema geral de avaliação, não como teste empírico de prognósticos esportivos. Versão anterior do manuscrito hospedada pelo autor.
Nota editorial e de cálculo: Os exemplos numéricos foram construídos para este guia e seguem as premissas indicadas ao lado deles. Não são resultados observados, ineficiências de mercado descobertas de forma independente nem um novo estudo acadêmico. O texto é uma síntese original; não reproduz a redação da Wikipédia. O acesso às fontes varia: um DOI ou um registro universitário pode fornecer metadados e um resumo, e não o texto completo sem restrições.
18+ e risco financeiro: Apostas esportivas podem causar prejuízo financeiro. Resultados passados não garantem resultados futuros. Nenhuma regra de stake torna aceitáveis perdas que você não pode bancar. Se o jogo estiver causando preocupação, pare e procure apoio na Gambling Therapy, um serviço internacional de apoio.