Как оценивать выборку из матчей
Репрезентативность выборки матчей
Чтобы выводы по статистике не были случайными, выборка должна отражать реальную силу команды, а не искажать её. Оценивайте матчи по пяти фильтрам. Во-первых, лига: темп и судейство в РПЛ и Серии А дают разную результативность. Во-вторых, стиль: прессинг-клубы чаще допускают xG 1,2+ против контратакующих. В-третьих, составы: без ключевого разыгрывающего или вратаря цифры прошлого месяца не работают. В-четвёртых, календарь: матч после еврокубков или перелёта — это усталость и ротация. В-пятых, мотивация: конец сезона, дерби или турнир без турнирного смысла меняют интенсивность. Минимальный объём — вопрос статистической устойчивости. Для процента или среднего значения держите планку 30–50 событий: на 10 матчах случайный хет-трик исказит всё. Условный пример: команда пробила ТБ 2,5 в 6 из 10 игр (60%). Добавьте ещё 20 матчей — и показатель часто «ползёт» к 48–52%, что ближе к правде. Для метрик с высокой дисперсией (например, сейвы вратаря) берите верхнюю границу — 50 и более. Смещения ломают репрезентативность. Домашний/выездной фактор: темп, подборы и фолы дома и в гостях различаются на 10–20%. Считайте раздельно. Аутсайдеры vs фавориты: против топ-4 команда отдаёт мяч и допускает xG, против равных — играет открыто. Если в выборке 8 матчей с фаворитами и 2 с аутсайдерами, ваш «средний xGA» завышен. Балансируйте выборку по силе соперника и площадке.Сводка по смещению (условный пример)
| Фильтр | ТБ 2,5% | Примечание |
|---|---|---|
| Все матчи (20 игр) | 55% | Смешано всё |
| Дома | 65% | Ускорение темпа |
| В гостях | 40% | Низкие блоки |
| Против фаворитов | 45% | Меньше владения |
Очистка данных и контекст
Прежде чем считать метрики, вычисти шум. Матчи, где всё пошло не по плану, искажают картину. Если твой опорник получил красную на 12-й минуте, темп и xG летят в мусорное ведро — это не стиль команды, а форс-мажор. То же касается ранних травм лидеров: убираем игру из выборки или режем вес до минимума. Отдельная история — кубковые ротации. Когда основа отдыхает, а на поле выходит дубль, показатели владения и ударов не имеют отношения к основной лиге. Правило простое: если стартовый состав отличается от привычного более чем на 40%, матч — вне зачёта.
Сырые данные лгут. Команда А набила 20 ударов за 70 минут в большинстве, команда Б — 12 за 90. Кто опаснее? Считай на 90 минут. Формула проста: (Показатель / Сыгранные минуты) × 90. Пример: 2,1 xG за 60 минут превращаются в (2,1 / 60) × 90 = 3,15 xG/90. Нормализуй и темп (передачи в минуту), и владение. Без этого «Спартак» с их высоким владением всегда будет казаться сильнее «Ростова», хотя по созданным моментам на 90 минут они могут быть равны. Контекст диктует поправки: проигрывающая команда в последние 15 минут всегда взвинтит темп, это нужно учитывать при оценке защиты.
Свежесть данных важнее объёма. Матч в августе почти ничего не говорит о форме в октябре. Используй экспоненциальное затухание веса. Каждую неделю вес матча умножается на коэффициент k (например, 0,85). Через месяц игра весит в два раза меньше. Расчёт: Вес = k^n, где n — число недель с момента матча. Если k=0,85, то матч 4-недельной давности: 0,85^4 ≈ 0,52. Это защищает от ложных выводов на основе устаревшей формы. Ошибка новичков — давать равный вес матчам в радиусе полугода, из-за чего модель реагирует на случайные всплески двухмесячной давности. Сдвигай веса плавно, без резких обрывов.
Ключевые метрики и их стабильность
Начни с атаки и защиты по отдельности. xG (ожидаемые голы) и xGA (ожидаемые пропущенные) — это не счёт, а «качество моментов». Смотри на npxGD (разница xG без учёта пенальти) на 90 минут: он убирает шум стандартов. Shot quality — это доля ударов из выгодных зон и под углом; проверяй, не «надувает» ли команда xG дальними ударами. Box touches (касания в штрафной) — индикатор давления: чем их больше, тем выше шанс создать настоящий момент, а не случайный рикошет. Раздели дисперсию и навык. На короткой дистанции результат — это шум. Оцени долю объяснённой вариации: если R² между xG и реальными голами за 5–7 туров низок, значит, решает реализация и удача, а не модель. Условный пример: команда недобрала 4 гола при xG=6 за 6 матчей — это 67% исполнения; жди регрессии к среднему, но не завтра, а на дистанции. Стабильность проверяй временем. Автокорреляция показывает, «липкая» ли метрика: у xG она обычно выше, чем у конверсии ударов. Используй скользящие окна: 8–12 матчей с шагом в 3 игры. Если npxGD/90 в окне стабилен (±0,15), тренд надёжен; если скачет — вмешался контекст (травмы, календарь). Для вратарей отдельно смотри PSxG (ожидаемые удары в створ) и разницу с реальными сейвами — она самая волатильная.| Метрика | Что меряет | Стабильность |
|---|---|---|
| xG/90 | Качество создаваемых моментов | Высокая |
| xGA/90 | Качество допущенных моментов | Высокая |
| npxGD/90 | Чистое преимущество без пеналей | Средняя/высокая |
| Box touches/90 | Давление в штрафной | Средняя |
Дисперсия, доверительные интервалы
Даже на «чистой» выборке метрики пляшут из-за дисперсии. Для голов и xG-событий используют две базовые модели. Биномиальная — когда считаем долю исходов: например, процент ударов из штрафной, ставших голами. Если из 100 ударов залетело 12, оценка 12%, но 95% интервал — примерно 6,6–18,8%. Пуассоновская — для счёта событий: голов, xG за матч. Если команда наиграла на 1,1 xG за 9 игр, средний темп 0,122 за игру. Доверительный интервал для темпа считаем по χ²: он будет широким, и 1,1 — это не «истинное среднее», а лишь оценка по короткой серии.
Доверительный интервал показывает диапазон, где с заданной вероятностью лежит «истинное» значение метрики. Для доли p при n попытках интервал грубо: p ± 1,96·√(p·(1−p)/n). Для интенсивности λ по Пуассону — через χ² или нормальное приближение при больших n. Ошибка оценки — половина ширины интервала. Если она сопоставима с разницей между командами, ваши выводы случайны. Условный пример: реализация 15% при 40 ударах — интервал около 8,1–24,7%. Разрыв с лигой в 5% тонет в шуме.
Чтобы не переоценить шум, применяют байесовское сжатие к среднему по лиге. Идея проста: ваш сигнал смешивается с «фоном». Чем меньше данных, тем сильнее тянем к лиге; чем больше — тем ближе к наблюдению. Для биномиальных долей удобно бета-распределение; для Пуассона — гамма. Условный пример: лига реализует 10% ударов из штрафной. Игрок 6 из 20 (30%) — после сжатия получим около 13–14%, а не 30%. Игрок 40 из 200 (20%) — итог ближе к 16–17%. Байесовские оценки стабильнее, лучше предсказывают и не создают ложных «аномалий» на малых выборках. Это не «подгон под ответ», а корректная работа с неопределённостью.
Статистическая значимость и размер эффекта
Статистическая «значимость» — это не «значимость» в бытовом смысле, а лишь низкая вероятность случайного шума. Считайте p-value: если она меньше 0,05, вы отвергаете гипотезу «эффекта нет» при 5% риске ошибиться (ошибка I рода). Но есть и ошибка II рода: эффект есть, а тест его не заметил. Мощность теста — это 1 минус этот риск. На малых выборках матчей мощность падает, и вы часто получаете «незначимо» просто из-за нехватки данных.
Поэтому размер эффекта важнее p-value. Смотрите на величину: разница средних, отношение шансов, прирост ROI. Условный пример: ROI +3% на 20 матчах — шум; те же +3% на 400 матчах — уже предметный разговор. На малой выборке «значимо» может означать крошечный эффект, а «незначимо» — скрывать большой. Сначала оценивайте размер, потом — устойчивость на бутстрепе.
| Сценарий | Матчи | ROI | p-value | Вывод |
|---|---|---|---|---|
| A | 25 | +6% | 0,12 | Мало данных, мощность низкая |
| B | 350 | +1,8% | 0,03 | Эффект мал, но устойчив |
Множественные сравнения — тихий убийца выводов. Проверили 20 рынков, нашли 1 «значимый» на p<0,05? Это ожидаемый ложноположительный. Применяйте коррекцию: Бонферрони делит порог на число тестов (0,05/20=0,0025), Холм или Бенджамини–Хохберг мягче. Без коррекции вы переоцениваете случайные всплески и строите стратегию на шуме.
Практическая валидация на отложенной выборке
Стройте хронологию жёстко: сначала обучаете модель на «прошлом», затем валидируете на следующем отрезке, и только потом тестируете на самом свежем периоде, который имитирует реальную игру. Нельзя перетекать информацией из будущего в прошлое: если матч 15.10.2026 попал в обучение, 16.10.2026 — в валидацию, а 14.10.2026 — в тест, это утечка. Разбейте данные на кварталы и двигайтесь вперёд без перескоков. Для ставок используйте walk-forward: обучились на 120 матчах, валидировались на 30, зафиксировали пороги — и «проехали» следующие 30 как тест. Затем окно скользит: обучение 90–210, валидация 211–240, тест 241–270. Так вы ловите деградацию модели и подстраиваете пороги входа без пересчёта всей логики на каждом шаге. Скользящее окно помогает усреднить шум: собирайте результаты по 5–7 перекрывающимся окнам и смотрите медиану метрик, а не один удачный отрезок. Считайте то, что платит на дистанции. ROI = (выплата − сумма ставок) / сумма ставок. Условный пример: 200 ставок по 1000 ₽, оборот 200 000 ₽, возврат 212 000 ₽ — ROI = +6%. CLV (закрывающая линия) показывает, бьёте ли вы цену: если брали 1.95 при закрытии 1.85 — это плюс к качеству сигнала. Brier score оценивайте для вероятностей: на 10 исходах с прогнозами 0.60 и фактическим результатом 6 побед Brier = (0.4²×6 + 0.6²×4)/10 = 0.24. Чем ниже, тем лучше; 0.25 — уровень «монетки». Калибровка — диаграмма надёжности: разбейте прогнозы на ведра по 0.1 и сравните среднюю прогнозную вероятность с реальной частотой; отклонения на хвостах (0.10 и 0.90) исправляйте в первую очередь.| Метрика | Что показывает | Как считать (кратко) |
|---|---|---|
| ROI | Денежный результат к обороту | (выплата − оборот) / оборот |
| CLV | Отношение вашей цены к закрытию | среднее(close/entry) для побед |
| Brier | Точность вероятностей | среднее (f−o)² по исходам |
| Калибровка | Соответствие прогнозов частотам | ведра 0.0–0.1, ..., 0.9–1.0 |
Выводы
Фиксируйте правила игры до того, как откроете таблицу. Заранее пропишите окно дат, турниры, минимальный кэф, фильтр по минутам и определение «ценной» ставки. Если после теста метрики просели, не расширяйте окно и не меняйте определение xG задним числом. Это не «тонкая настройка», это переобучение на шуме. Правильный путь — зафиксировать версию гипотезы, прогнать её, записать результат и только потом формулировать v2. Малая выборка врёт. До 50 матчей ваши «12% ROI» — это чаще удача, чем навык. Хотите работать на 30 матчах — применяйте сильную регуляризацию: бейесовские априоры, сжатие к среднему по лиге, минимум три параметра на модель. Условный пример: 7 из 20 ставок «зашли» при среднем кэфе 2.10. Без регуляризации это «билет в один конец» к завышенным ожиданиям; с регуляризацией оценка ROI притянется к реалистичной зоне и убережёт от овербета. Финальный фильтр — отложенная выборка и CLV. Держите «сейф» из матчей, которые ваш фильтр не видел. Если на отложенной выборке ROI падает, а CLV (разница между вашим кэфом и закрывающей линией) уходит в минус — сигнал не ловит линию, вы опоздали. Ориентир: средний CLV стабильно выше нуля на дистанции 50+ и подтверждается на отложенной выборке — это зелёный свет для малого банкролла и масштабирования.| Сценарий | ROI (in-sample) | ROI (out-of-sample) | CLV | Вердикт |
|---|---|---|---|---|
| A | +6% | +5% | +1.5% | Масштабировать |
| B | +12% | −2% | −0.8% | Стоп, переобучение |
Частые вопросы
1. Сколько матчей нужно для оценки тотала или xG?
Для статистической значимости в футболе обычно требуется от 15 до 20 матчей одной команды в текущем сезоне, чтобы сгладить случайные колебания. Если вы оцениваете конкретный тотал (например, ТБ 2.5), анализируйте выборку из 10–15 последних игр с похожими соперниками, а не просто все подряд. Для метрики xG стабильность достигается медленнее, поэтому 20–30 матчей дадут более надёжную картину ожидаемой результативности.
2. Как учесть домашний и выездной фактор в выборке?
Никогда не смешивайте домашние и выездные матчи в одну кучу, так как показатели команды могут отличаться на 30–50%. Разделите выборку на два независимых массива и рассчитывайте среднее значение xG и тотала для каждой группы отдельно. Условный пример: если дома команда создаёт 2.1 xG, а в гостях только 1.1, то общий показатель в 1.6 будет вводить в заблуждение при ставках на конкретный выезд.
3. Что делать с матчами после красных карточек и ранних травм?
Такие матчи необходимо исключать из выборки или помечать специальным тегом, так как игра в неравных составах ломает стандартную модель xG. Если удаление произошло после 70-й минуты, матч можно оставить, но если в первом тайме — данные перестают отражать реальную силу команд. Ранние травмы ключевых игроков (например, вратаря или плеймейкера) также искажают статистику и требуют фильтрации.
4. Как понять, что результат — не случайность, а закономерность?
Используйте коэффициент вариации: если стандартное отклонение выборки превышает 50% от среднего значения, данные слишком шумные для выводов. Закономерность подтверждается, когда реальный результат стабильно отклоняется от ожидаемого (xG) в одну сторону на дистанции более 20 матчей. Дополнительно проверьте Z-оценку: если она по модулю больше 1.96, вероятность случайности такого результата составляет менее 5%.
5. Как проверить стратегию на новой выборке без подгонки?
Примените метод out-of-sample: разделите все имеющиеся данные на обучающую выборку (например, 70% матчей прошлых сезонов) и тестовую (30% или текущий сезон). Настройте все параметры стратегии только на обучающей части, а затем примените их «как есть» к тестовой без единого изменения. Если на новой выборке просадка (максимальная серия убытков) и ROI остаются в приемлемых пределах, стратегия имеет ценность, а не является подгонкой под кривую.