Há um tipo particular de tipster que aprendeu a soar científico. Falam de um "motor de IA", "milhares de pontos de dados", "modelos de machine learning" e de uma equipa de "data scientists com PhDs". E — para seu mérito — alguns publicam o histórico completo de forma aberta, com cada previsão registada, ganha ou perdida, descarregável num único ficheiro.
Pegámos num dos maiores à letra, descarregámos o respetivo dataset público e analisámos 25,890 jogos de um único ano. Eis o que os números dizem — todos deles, não nossos.
A primeira coisa a verificar em qualquer modelo é se ele faz algo que um preço sem margem já não faça. Por isso, para cada jogo, comparamos a escolha do tipster com o baseline mais simples possível: o favorito do bookmaker — a equipa com as odds mais baixas.
Coincidiram em 83% das vezes.
Por outras palavras, quatro em cada cinco vezes o "motor de IA" limita-se a escolher quem o bookmaker já tinha tornado favorito. Isso não é um modelo a encontrar value bet oculto. Isso é ler as odds e copiá-las.
Vai ainda mais longe. Cada escolha vem com uma pontuação de "trust" ou "confidence", apresentada como saída do algoritmo. Verificámos isso contra a probabilidade implícita nas odds — e ambos acompanham-se quase na perfeição (correlação 0.61, a subir ainda mais nas escolhas mais confiantes). A "confidence score" é, com boa aproximação, o próprio preço do bookmaker vestido de bata de laboratório.
Aqui está o número que a estratégia deles destaca: nas escolhas com maior confiança, acertam cerca de 73% das vezes. Parece excelente. Também não vale nada, e eis exatamente porquê.
Essas escolhas de alta confiança são grandes favoritos a um preço médio de 1.40. Façamos as contas que interessam a um apostador: vencer 73% das apostas a odds de 1.40 significa receber 0.73 × 1.40 = 1.02 por cada 1.00 apostado — antes de a margem do bookmaker consumir o resto. O resultado é um retorno de cerca de −0.1%. Ganha-se quase todas as apostas e vai-se lentamente à falência.
No conjunto das 25,890 escolhas publicadas, apostar em todas ao preço indicado devolve −5.6%. Não no nosso modelo. No deles.
O teste mais revelador é nos 17% dos jogos em que a escolha do tipster discorda do favorito do bookmaker — o único ponto onde um modelo real poderia mostrar um edge. Se o algoritmo soubesse algo que o mercado não sabe, é aqui que ganhava a sua subscrição.
Não ganha. Nesses jogos, as escolhas acertam 28.7% das vezes e devolvem −9.95%. Apostar cegamente no favorito teria perdido menos. A "intelligence" subtrai valor em vez de o acrescentar.
Não estamos a nomear o serviço. O ponto não é uma empresa — é o formato inteiro. "67% accuracy", "AI-powered", "verified results": nenhum destes números significa o que foi desenhado para fazer sentir, porque precisão a odds curtas não é lucro, e um modelo que copia o favorito não é um modelo.
Isto também é um espelho que não temos problema em voltar para nós próprios. É por isso que a TipsAudit não vende uma figura de accuracy. Publicamos o fair price com a margem do bookmaker removida, assinalamos value apenas quando um bookmaker mais lento está genuinamente a precificar mal um jogo, e o número principal no nosso track record é o closing line value — a única métrica que realmente se correlaciona com uma edge a longo prazo — mostrado em cada escolha, antes do início do jogo, com perdas incluídas.
A verdade desconfortável nos dados acima é que podia ter auditado esse tipster sozinho. O ficheiro esteve público o tempo todo. A maior parte das pessoas nunca o abre, porque uma parede de screenshots verdes parece mais convincente do que uma folha de cálculo. Achamos que deveria ser o contrário.
Dados: um dataset público de resultados de tipster, 25,890 jogos com odds e resultados de uma única época, analisados para acordo entre pick e favorito, accuracy por faixa de confiança e retorno sobre o investimento nas odds apresentadas. Nada aqui é aconselhamento de apostas; apostar envolve risco financeiro real. 18+, jogue com responsabilidade.