Abbiamo costruito ~50 modelli di scommessa. Ognuno ha perso.

La maggior parte dei siti di betting ti parla delle proprie vincite. Questo è l’altro articolo: quello in cui abbiamo passato mesi a costruire circa cinquanta modelli e strategie di previsione calcistica, testandoli come farebbe uno scienziato — e guardando ognuno di loro perdere denaro. Pubblicheremo l’autopsia perché il modo in cui hanno perso insegna più sui mercati di scommesse di qualsiasi thread da tipster.

Cosa abbiamo costruito davvero

Questo non era un solo modello pigro. In quattro fasi abbiamo costruito e testato con walk-forward, tra gli altri:

• rating Elo con forma, il baseline classico;
• XGBoost su anni di feature delle partite;
• Dixon-Coles, lo standard accademico per i risultati nel calcio;
• modelli di expected goals (xG), incluso un ibrido xG-Elo che è diventato il nostro migliore;
• ensemble di quanto sopra, più delta di formazione e infortuni costruiti da minuti giocati e rating dei giocatori.

Ogni esperimento usava walk-forward validation — il modello vedeva solo il passato, mai il futuro — con audit espliciti anti-leakage. Quando abbiamo iniettato deliberatamente una feature "leaky" contenente informazioni future, l’accuratezza è salita al 57–100%; i nostri modelli puliti sono rimasti intorno al 53%. Quel divario è l’impronta del testing onesto.

La classifica

Il nostro modello migliore — l’ibrido xG-Elo — ha raggiunto 53.7% di accuratezza sulle previsioni 1X2. Sembra rispettabile, finché non incontri il benchmark che nessuno può licenziare: scegliere semplicemente il favorito del mercato fa circa 55.6% con zero intelligenza. Mesi di feature engineering, gradient boosting e calibration curves, e il prezzo del mercato sharp sapeva ancora più dei nostri modelli. Non a volte — in modo sistematico. E non avrebbe dovuto sorprenderci: il prezzo del mercato non è un modello concorrente, è l’aggregato di ogni modello concorrente, raffinato dal denaro fino al calcio d’inizio.

Poi abbiamo fatto ciò che quasi nessuno fa: abbiamo simulato scommesse reali, in valuta vera. Otto leghe europee, stagione 2025-26, 1,329 scommesse alle quote di apertura, con strategie di controllo appropriate accanto:

Leggi la tabella lentamente. Tutto perde, e tutto perde di circa il margine del bookmaker — che è esattamente ciò che prevede un mercato efficiente. Il nostro modello ingegnerizzato con cura ha performato entro il rumore rispetto al backing cieco dei favoriti. La strategia sull’outsider ha perso tre volte tanto, per effetto del longshot bias. Per lega, i segni cambiavano in modo casuale — La Liga +4%, Segunda −18% — classica variance, non skill.

Le false albe (la parte più istruttiva)

Tre volte durante questa indagine abbiamo pensato di averlo trovato. Tre volte ci sbagliavamo, e ogni modalità di fallimento è una che incontrerai sul campo:

Il bug del +96% di ROI. Un backtest mostrava una strategia che quasi raddoppiava il denaro. Era data leakage — un bug sottile lasciava al modello intravedere informazioni non ancora disponibili prima del calcio d’inizio. Un secondo bug produceva un falso +35%. Li abbiamo trovati entrambi perché risultati straordinari richiedono sospetto straordinario. Un tipster che avesse trovato +96% avrebbe aperto un canale Telegram; noi abbiamo aperto il debugger.

La stagione fortunata. La nostra strategia con delta formazione mostrava +15% di ROI in una stagione di lega. Stessa strategia, sulle leghe successive: −9% e −5%. Una sola stagione profittevole non è una prova — è una moneta che cade testa più volte di fila, e abbiamo scritto su quanto spesso succede.

La maledizione del vincitore. I segnali di movimento delle quote prevedevano davvero la direzione in cui le quote si sarebbero mosse — le nostre selezioni battevano la closing line di +5.2% se misurate alle migliori quote disponibili. Le stesse scommesse perdevano 2.4% in cash. Perché? Le "migliori quote" arrivano sistematicamente dal bookmaker che corregge più lentamente — e monetizzare quel gap costa più di quanto il gap paghi. Il segnale era reale; il profitto no.

Le notizie di squadra, tra l’altro, sono già prezzate. Le nostre feature su infortuni e formazione — costruite da minuti giocati e rating reali dei giocatori — non aggiungevano nulla nei campionati con mercati liquidi. Quando sai che il centravanti titolare è fuori, il prezzo lo sa già da venti minuti.

Cosa sopravvive al disastro

Se il mercato non può essere previsto meglio usando dati pubblici, è tutto senza speranza? Non proprio — ma l’opportunità onesta è più stretta e meno glamour di quanto l’industria lasci intendere:

1. Il prezzo sharp stesso è l’asset. Se la linea devigged di Pinnacle è la migliore stima pubblica della realtà, allora quella stima vale la pena pubblicarla — ti dice le quote fair di ogni partita al netto del margine.
2. I bookmaker soft commettono errori che il mercato sharp ha già corretto. Il divario tra un prezzo leisure lento e il prezzo fair è l’unico value a cui un bettor normale può realisticamente accedere — spieghiamo qui il meccanismo. È scarso, è piccolo, e ti fa limitare il conto. Ma a differenza dei sogni da modello, è reale.
3. La verifica batte la previsione. Lo stesso rigore che ha ucciso i nostri modelli è esattamente ciò che l’industria dei tipster non può sopravvivere — ed è il motivo per cui facciamo audit dei tipster con quel metodo.

Questo è ciò che è questo sito. Ogni pagina partita mostra il fair price devigged. Il value viene segnalato solo quando un book soft si allontana sopra quel livello. E tutto ciò che dichiariamo finisce in un track record pubblico e immutabile regolato contro la closing line — perché dopo cinquanta modelli morti, l’unica cosa di cui ci fidiamo è il registro.

Avremmo potuto cancellare i fallimenti e venderti lo screenshot del +96%. Quasi tutti gli altri lo fanno.