Un modello che indovina il 60% delle volte può perdere denaro, e uno che indovina il 53% può guadagnarne. Il numero che decide quale dei due è la quota — ecco come leggerla.
28 Aprile 2026 • Tempo di lettura: 6 minuti • Di Derek Shaw, autore di modelli di scommessa e quotazioni
Ogni pochi mesi arriva uno strumento che promette di prevedere i risultati con una percentuale di accuratezza impressionante allegata. La percentuale è quasi sempre vera e quasi sempre irrilevante, perché l'accuratezza da sola non determina se una puntata renda. Lo determina la quota.
Questo articolo riguarda quella distinzione, e l'unica misura che separa davvero un modello con un vantaggio da uno senza.
Il margine è l'avversario
Le quote di un bookmaker implicano probabilità la cui somma supera l'unità. Quell'eccesso è il margine, ed è la ragione per cui uno scommettitore che indovina esattamente quanto il mercato perde comunque con regolarità.
Il calcolo richiede pochi secondi. Convertite ogni quota decimale nella probabilità implicita dividendo uno per la quota, sommate e sottraete uno. Due esiti quotati 1,91 implicano il 52,4% ciascuno, per un totale del 104,8% — un margine di circa il 4,8%. Su un mercato a tre esiti, aggiungete il terzo.
Quel numero è l'ostacolo. Un modello deve essere migliore delle probabilità implicite del mercato di più del margine prima che esista una sola unità di profitto, e il margine viene addebitato su ogni puntata a prescindere dall'esito.
Perché le percentuali di accuratezza da sole non dicono nulla
Prendete un modello che indovina il vincitore il 60% delle volte. Se guadagni dipende interamente dalle quote su cui ha puntato.
| Percentuale di successo | Quota media | Soglia di pareggio | Risultato |
|---|---|---|---|
| 60% | 1,50 | 66,7% | Perde denaro |
| 60% | 1,80 | 55,6% | Guadagna |
| 53% | 2,00 | 50,0% | Guadagna |
| 85% | 1,10 | 90,9% | Perde denaro |
La soglia di pareggio è semplicemente uno diviso la quota. Qualsiasi dichiarazione di accuratezza pubblicata senza la quota media a cui è stata ottenuta è infalsificabile — e l'ultima riga è quella pubblicizzata con più forza, perché l'85% suona straordinario.
L'unico metro onesto
Tra chi scommette seriamente, il test accettato non è il profitto su qualche centinaio di puntate. È se la quota ottenuta abbia battuto la quota di chiusura — quella disponibile immediatamente prima dell'inizio dell'evento.
Il ragionamento è che la quota di chiusura riflette tutto il denaro e tutte le informazioni arrivati sul mercato fino a quel momento, il che la rende la stima di probabilità più accurata pubblicamente disponibile. Ottenere con costanza una quota migliore della chiusura è prova di vantaggio reale; il profitto senza di essa è più probabilmente varianza, e il campione necessario a distinguere i due casi con i soli risultati è più grande di quanto quasi nessuno arrivi a giocare.
È lo stesso problema con un altro costume: le serie brevi non distinguono l'abilità dal rumore, e il valore rispetto alla chiusura è la scorciatoia che il pricing stesso del mercato offre.
In che cosa i modelli sono davvero bravi
Nulla di quanto sopra rende inutile la modellazione. Significa che le affermazioni credibili sono più ristrette di quelle che vengono vendute.
- Costanza. Un modello applica gli stessi criteri alla millesima partita come alla prima. Il giudizio umano deriva con la stanchezza, i risultati recenti e quanto c'è in gioco sulla puntata che ha davanti.
- Volume. Elaborare ogni incontro di un campionato su più stagioni è banale per un software e impossibile per una persona, ed è quell'ampiezza a rendere visibili le piccole inefficienze di prezzo.
- Calibrazione. Un modello ben costruito può affermare che gli eventi che prezza al 30% si verificano vicino al 30% delle volte. L'intuito è sistematicamente troppo sicuro di sé e non ha modo di verificarsi.
- Indifferenza al risultato. Un modello non sente l'ultima perdita, il che elimina il comportamento più costoso delle scommesse — lo schema di puntate che ne segue.
Dove falliscono, prevedibilmente
I modelli falliscono esattamente là dove finiscono i dati. Notizie di formazione dell'ultimo momento, meteo al fischio d'inizio, un allenatore che fa riposare i titolari prima di una coppa, la motivazione in una partita ormai ininfluente: queste cose compaiono nella quota molto prima che in qualsiasi dataset, ed è in gran parte per questo che la quota di chiusura è difficile da battere.
Falliscono anche per sovradattamento, il fallimento standard di qualsiasi sistema addestrato sullo storico. Una regola con abbastanza parametri descrive perfettamente il passato e non prevede nulla, e la versione pubblicata è sempre quella che per caso è sopravvissuta al campione.
C'è poi un fallimento specifico dell'era dell'apprendimento automatico: un modello addestrato sulle quote di chiusura storiche viene addestrato a riprodurre il mercato. Sarà accurato e non avrà alcun vantaggio, perché l'accordo con la quota è ciò per cui è stato ottimizzato.
Lo scarto tra l'output di un modello e il comportamento di chi scommette è dove si disperde gran parte del valore. Un sistema seguito nelle settimane vincenti e scavalcato in quelle perdenti non è il sistema che è stato testato — è intuito con qualche passaggio in più, e non eredita nulla della disciplina che rendeva il modello utile. Scavalcare una regola perché una serie «sembra sbagliata» è lo stesso istinto che produce le sedie fortunate.
Una posizione pratica
Da tutto questo discendono tre cose, e valgono più di qualsiasi servizio di pronostici.
- Calcolate il margine del mercato prima di valutare qualsiasi consiglio. Se è ampio, il consiglio deve essere molto migliore di quanto sembri.
- Registrate la quota di chiusura su ogni puntata piazzata. Non costa nulla e risponde alla domanda a cui i risultati impiegano anni a rispondere.
- Trattate come pubblicità qualsiasi dichiarazione di accuratezza senza la quota media che l'accompagna, e come già risposta la domanda su un servizio che non voglia pubblicare il proprio dato rispetto alla chiusura.
Il lato della gestione della posta conta quanto quello della selezione, ed è la parte che nessun modello gestisce da solo — un vantaggio reale gestito male va comunque a zero. Il contesto su come l'analisi dei dati sia stata effettivamente applicata allo sport professionistico è raccolto alla MIT Sloan Sports Analytics Conference.
Pubblicato il 28 Aprile 2026 • BetBeast Blog