La lógica detrás de la predicción con IA en las apuestas deportivas

El pipeline de predicción: cinco pasos de un vistazo

Extracción de datos de la temporada de la NBA

Los datos provienen de Basketball-Reference y stats.nba.com, y abarcan todos los partidos desde 1946 — más de 3 millones de registros de equipos y jugadores: victorias y derrotas, puntos totales, rebotes, asistencias, pérdidas, robos, porcentaje de triples, intentos de tiros libres y más. Ambas fuentes admiten rangos de fechas personalizados; técnicamente, leemos el HTML con requests de Python y luego extraemos las tablas que necesitamos usando elpd.read_html() de Pandas o BeautifulSoup.

Las columnas brutas se normalizan primero para que la limpieza y la ingeniería de características posteriores compartan un esquema coherente:

COLUMN_MAP = {
    'PName': 'Player_Name',      # nombre del jugador
    'POS':   'Position',         # posición
    'Team':  'Team_Abbreviation',
    'GP':    'Games_Played',
    'W':     'Wins',
    'L':     'Losses',
    'Min':   'Minutes_Played',
    'PTS':   'Total_Points',
    'FG%':   'Field_Goal_Percentage',
    '3P%':   'Three_Point_FG_Percentage',
    'FT%':   'Free_Throw_Percentage',
    'REB':   'Total_Rebounds',
    'AST':   'Assists',
    'TOV':   'Turnovers',
    'STL':   'Steals',
    'BLK':   'Blocks',
    # ... 29 columnas en total, incl. OREB / DREB / PF / FP / DD2 / TD3
}

Limpieza de datos

La limpieza de datos marca el techo de lo que el modelo puede lograr. Los datos brutos están plagados de errores de entrada, valores faltantes, duplicados y valores atípicos que primero deben depurarse. Dos puntos fáciles de pasar por alto son los más importantes: primero, elimina cualquier columna que filtre el resultado final para que el modelo no pueda hacer trampa hacia la respuesta; segundo, retira las características redundantes muy correlacionadas (los porcentajes de tiros de campo, de dos y de tres puntos se solapan, por ejemplo) para reducir la multicolinealidad.

Ingeniería de características: cinco características clave

En esencia, la ingeniería de características convierte la capacidad de cada equipo en números comparables, sacando a la luz los factores y pesos que deciden un partido — ignorando los nombres y la reputación de los equipos, mirando solo los números duros. En una implementación de aprendizaje profundo para la NBA, las cinco características siguientes son las de mayor poder predictivo sobre los resultados de los partidos.

1. Rating Elo: medir la fuerza del equipo a partir de los resultados

El rating Elo solo necesita el marcador final, la ubicación y la fecha de cada partido para funcionar. Las victorias suman puntos, las derrotas los restan, y una sorpresa o una victoria por paliza otorga más; es un sistema de suma cero, así que los puntos que gana un equipo los pierde el rival. Cada equipo suele empezar en la mediana de 1500. La fórmula de actualización tras el partido es:

Elo_new = Elo_old + K × (Result − WinProbability)

Elo_old        Elo Rating actual
K              parámetro de ajuste: cuanto mayor es K, más rápido cambian las valoraciones
Result         resultado real (victoria = 1, derrota = 0)
WinProbability tasa de victoria prevista derivada de la diferencia de Elo entre los dos equipos

El Elo también se arrastra entre temporadas — los equipos fuertes tienden a seguir siéndolo y los débiles rara vez cambian de un día para otro — así que cada nueva temporada comienza regresando el rating final de la temporada anterior un 25% hacia la media de la liga de 1505:

Elo_next_season = (R × 0.75) + (0.25 × 1505)

R = la valoración Elo final del equipo de la temporada pasada

Grafica el Elo de tres equipos cualesquiera en el tiempo y el flujo y reflujo de toda la temporada salta a la vista: el año en que los Warriors y los Cavaliers se enfrentaron en las Finales su Elo alcanzó el pico a la vez; que el Oeste sea en conjunto más duro que el Este se refleja en el Elo extra que los Warriors acumularon de "victorias de calidad"; y las pérdidas de plantilla y lesiones tras un título hacen que la curva caiga igual de rápido.

2. Forma reciente del equipo (promedio de los últimos 10 partidos)

Promedia los últimos 10 partidos de cada equipo en puntos, rebotes, asistencias, pérdidas, tapones y robos, y guárdalos como nuevas columnas de características. El arte está en la selección de características: usa análisis de correlación, análisis de componentes principales (PCA) e información ganada para conservar las columnas más informativas. Para captar además la tendencia y la estacionalidad, superpón modelos de series temporales (ARIMA, LSTM), o pasa las características directamente a un SVM, un árbol de decisión o un random forest para que aprendan las relaciones no lineales entre ellas.

PER = ( FGM × 85.910  + STL  × 53.897 + 3PTM × 51.757
      + FTM × 46.845  + BLK  × 39.190 + OREB × 39.190
      + AST × 34.677  + DREB × 14.707 − PF   × 17.174
      − FT_Miss × 20.091 − FG_Miss × 39.190 − TOV × 53.897
      ) × (1 / Minutes)

Análisis de datos y entrenamiento del modelo

Dos preguntas están en el centro del análisis: ¿el Elo se correlaciona realmente con las demás estadísticas y se alinea correctamente? ¿Y predecir los resultados de los partidos funciona mejor con estadísticas de equipo (Elo) o con estadísticas de jugador (PER)?

Empieza con la densidad de distribución del Elo de toda la liga en cada temporada: una forma casi normal significa una liga equilibrada, mientras que una cola larga significa que ha surgido un "superequipo". Sigue a un solo equipo y cuanto mayor sea su anotación media, más alto tiende a ser su Elo — sin embargo, a niveles de anotación similares el Elo sigue variando mucho; solo cuando haces la anotación relativa al rival y a la media de la liga la correlación se estabiliza de verdad. Esa es la prueba de que el Elo predice los resultados mejor que los puntos brutos precisamente porque es una estadística relativizada. El PER cuenta la historia opuesta: alinea la suma, la media y la mediana del PER de un equipo frente a la fuerza del equipo que mide el Elo, y la correlación es débil en todos los casos — una alta eficiencia de los jugadores no significa más puntos, y lo que realmente decide un enfrentamiento (y a su vez impulsa el Elo) es la anotación relativa.

Dos conclusiones clave

• La relativización es lo que lo hace estable: solo cuando la anotación se expresa en relación con el rival y la liga su correlación con los resultados se sostiene de verdad.
• Equipo > suma de jugadores: la suma del PER se correlaciona débilmente con la fuerza del equipo — una alta eficiencia de los jugadores no significa que el equipo gane.

Al predecir los resultados a partir de la anotación de los jugadores, usamos regresión lineal (que predice una puntuación continua) en lugar de regresión logística (que solo predice victoria/derrota), y luego sumamos los puntos previstos de cada equipo para compararlos. La precisión del 58,66% confirma la observación anterior: el rendimiento combinado de los jugadores es demasiado variable, ni de lejos tan consistente como la forma a nivel de equipo. El mejor resultado — un random forest ajustado con RandomizedSearchCV — alcanzó una precisión máxima de prueba del 67,15%, y dado que incluso los modelos de predicción más potentes de la NBA topan en torno al 70%, el modelo ya se acerca al techo teórico. A partir de aquí, el rendimiento llega de invertir tiempo en la elección del modelo (clasificador SGD, análisis discriminante lineal, redes convolucionales, naive Bayes) en lugar de afinar sin fin.

Comparación de cuotas: de la tasa de acierto prevista al EV positivo

La tasa de acierto de un modelo por sí sola no genera dinero; la fórmula del beneficio necesita tres ingredientes: la tasa de acierto prevista por el aprendizaje profundo, las cuotas en vivo y una estrategia de apuestas validada con backtest. Confronta la tasa de acierto de la IA con las cuotas del mercado para calcular el valor esperado (EV), y actúa solo cuando el EV sea positivo:

EV = (tasa de victoria de la IA × cuota decimal) − 1

EV > 0  →  retorno esperado positivo a largo plazo (apuesta de valor)
EV < 0  →  perdedora a largo plazo, omítela

Ejemplo: tasa de victoria de la IA 58%, cuota 1.90
EV = (0.58 × 1.90) − 1 = +0.102 → +10.2% esperado por apuesta

Este enfoque no se limita a la NBA: se aplica por igual al baloncesto, el béisbol, el fútbol, el hockey y el tenis. Puedes revisar la tasa de acierto del modelo y las unidades ganadas en partidos reales mes a mes enRendimiento del Modelo de IAy realizar cálculos rápidos de valor esperado previo a la apuesta y de cuotas de combinadas con laCalculadoras de Apuestas.

Un solo marco que abarca las grandes ligas del mundo

Como la ingeniería de características consiste en comparar capacidad en lugar de leer nombres de equipos, el mismo pipeline se traslada entre deportes: actualmente cubre la NBA, la MLB, las cinco grandes ligas de fútbol, las competiciones europeas y la NHL, con más ligas por venir.

Conclusión y próximos pasos

• Las estadísticas relativizadas superan a los números brutos: el Elo es más preciso que el promedio de puntos, y los puntos superan al PER sumado, porque ganar es relativo por naturaleza.
• Las características a nivel de equipo son más estables que la suma de los jugadores y constituyen la señal principal del modelo; la forma del jugador funciona como característica de apoyo.
• Una precisión de prueba del 67,15% ya se acerca al techo teórico de aproximadamente el 70% para la predicción en la NBA; las mejoras restantes están en la elección del modelo, no en un ajuste interminable.
• Una tasa de victorias predicha solo se convierte en beneficio a largo plazo cuando se combina con la comparación de cuotas y la disciplina de EV positivo.

Referencias y fuentes de datos

Todos los métodos y conjuntos de datos de este artículo son verificables públicamente; no dudes en profundizar en la investigación original:

• El sistema de puntuación Elo (Arpad Elo, 1978)
• Calificación de Eficiencia del Jugador, PER (John Hollinger)
• Dixon & Coles (1997): un modelo de Poisson para los goles en el fútbol
• La distribución de Poisson (modelado del recuento de anotaciones)
• scikit-learn: bosques aleatorios y ajuste con RandomizedSearchCV
• Fuentes de datos: Basketball-Reference · stats.nba.com