C'è un certo tipo di tipster che ha imparato a sembrare scientifico. Parlano di un "AI engine", di "thousands of data points", di "machine learning models" e di un team di "data scientists with PhDs". E — va detto — alcuni pubblicano apertamente il loro record completo, ogni previsione registrata vinta o persa, scaricabile come un unico file.
Ne abbiamo preso uno tra i più grandi alla lettera, scaricato il suo dataset pubblico e analizzato 25,890 matches di un singolo anno. Ecco cosa dicono i numeri — tutti loro, non nostri.
La prima cosa da verificare con qualsiasi modello è se fa qualcosa che un prezzo libero non faccia già. Quindi, per ogni match, abbiamo confrontato la scelta del tipster con il baseline più semplice possibile: la favorita del bookmaker — la squadra con la quota più bassa.
Coincidevano nell'83% dei casi.
In altre parole, quattro volte su cinque il "AI engine" sceglie semplicemente chi il bookmaker aveva già reso favorito. Non è un modello che trova value nascosto. È leggere le quote e copiarle.
E c'è di più. Ogni pick viene accompagnato da un punteggio di "trust" o "confidence", presentato come output dell'algoritmo. Lo abbiamo confrontato con la probabilità implicita nelle quote — e i due valori seguono quasi perfettamente la stessa traccia (correlazione 0.61, che sale ancora sulle pick più sicure). Il "confidence score" è, con buona approssimazione, il prezzo del bookmaker con un camice da laboratorio.
Questo è il numero su cui insiste il loro marketing: sulle pick con la massima confidence, hanno ragione circa nel 73% dei casi. Sembra ottimo. È anche inutile, e il motivo è questo.
Quelle pick ad alta confidence sono grandi favorite con quota media di 1.40. Facciamo il conto che interessa davvero a un bettor: vincere il 73% delle scommesse a quota 1.40 significa incassare 0.73 × 1.40 = 1.02 per ogni 1.00 puntato — prima che il margine del bookmaker si mangi il resto. Il risultato è un rendimento di circa −0.1%. Vincete quasi ogni scommessa e andate lentamente in rovina.
Su tutte le 25,890 pick pubblicate, seguirle tutte alle quote mostrate restituisce −5.6%. Non sul nostro modello. Sul loro.
Il test più rivelatore è quel 17% di match in cui la pick del tipster non coincide con la favorita del bookmaker — l'unico punto in cui un vero modello potrebbe mostrare un edge. Se l'algoritmo sa qualcosa che il mercato non sa, è qui che si merita l'abbonamento.
Non succede. In quei match le pick sono corrette nel 28.7% dei casi e rendono −9.95%. Seguire alla cieca la favorita avrebbe perso meno. L'"intelligence" sottrae value invece di aggiungerlo.
Non stiamo nominando il servizio. Il punto non è un'azienda — è l'intero formato. "67% accuracy", "AI-powered", "verified results": nessuno di questi numeri significa quello che è pensato per farvi sentire, perché l'accuracy a quote basse non è profitto, e un modello che copia la favorita non è un modello.
Questo è anche uno specchio che siamo felici di tenere davanti a noi stessi. È il motivo per cui TipsAudit non vende un numero di accuracy. Pubbliciamo il fair price con il margine del bookmaker rimosso, segnaliamo value solo dove un bookmaker più lento sta davvero prezzando male un match, e il numero principale sul nostro track record è il closing line value — l'unica metrica che correla davvero con un edge di lungo periodo — mostrato su ogni pick, prima del kick-off, perdite incluse.
La verità scomoda nei dati sopra è che avreste potuto auditare quel tipster da soli. Il file è sempre stato pubblico. La maggior parte delle persone non lo apre mai, perché un muro di screenshot verdi sembra più convincente di un foglio di calcolo. Noi pensiamo che dovrebbe essere il contrario.
Dati: un dataset pubblico di risultati di tipster, 25,890 matches con quote ed esiti di una singola stagione, analizzato per l'accordo pick-vs-favorita, l'accuracy per fascia di confidence e il ritorno sull'investimento alle quote mostrate. Nulla di quanto qui riportato è consiglio di scommessa; il betting comporta un rischio finanziario reale. 18+, gioca responsabilmente.