Algoritmo de IA para apuestas deportivas: arquitectura del modelo para más de 25 ligas
De los datos oficiales de cada liga a la apuesta de valor esperado positivo, el modelo sigue el mismo pipeline de seis pasos. La clave no está en «entender un deporte concreto», sino en un método capaz de convertir partidos de deportes distintos en números comparables. Esta página lo explica con tres ligas representativas: NBA, MLB y NHL (baloncesto, béisbol y hockey sobre hielo, tres estructuras de juego distintas). El fútbol y el resto de ligas usan la misma arquitectura.
Autor: Equipo de ciencia de datos de Mysports.AI · Actualizado:
El pipeline de seis pasos del modelo de pronósticos con IA
El modelo de pronósticos con IA integra datos, entrenamiento y calibración de probabilidades (Probability Calibration; Isotonic Regression/Platt Scaling) en seis pasos y, después, compara las cuotas del mercado mediante el valor esperado (Expected Value, EV) y el valor de cierre (Closing Line Value, CLV) para filtrar los pronósticos.
Para evaluar quién gana hace falta contexto relativo. Cuando los «puntos/goles» se convierten en indicadores relativos al rival, relativos a la media de la liga y neutralizados por ritmo (Pace-adjusted), su relación con el resultado es mucho más estable. Es el primer principio común a todas las ligas.
Recogida de datos deportivos de varias fuentes
Para cada liga se recogen, partido a partido, el box score, los datos de equipos y jugadores, el calendario y los resultados. Los datos proceden de la integración de varias fuentes: además de las estadísticas oficiales de cada liga, nos apoyamos sobre todo en proveedores de datos de pago (Sportradar, Genius Sports, Stats Perform, entre otros; las fuentes concretas forman parte de acuerdos comerciales y no se detallan una a una) para contrastar y completar la información. Los campos en bruto se normalizan primero en sus nombres, de modo que la limpieza y la ingeniería de variables posteriores compartan un mismo schema.
| Liga | Fuentes principales (oficiales + terceros de pago) | Campos clave recogidos en cada partido |
|---|---|---|
| NBA | NBA.com Stats + proveedores de datos de pago | Los cuatro factores (Four Factors) de Dean Oliver, datos por 100 posesiones, fuerza ofensiva y defensiva, más/menos, back-to-back/descanso |
| MLB | MLB Stats API + proveedores de datos de pago | Datos por partido de lanzadores y jugadores de campo, wOBA, xFIP, WHIP, Park Factor, ABS |
| NHL | NHL.com Stats + proveedores de datos de pago | Goles a favor y en contra, porcentaje de victorias en casa y fuera, forma reciente, rachas de victorias y derrotas, descanso/back-to-back |
Durante el partido, los datos de cada fuente se actualizan en tiempo real: al volver a extraerlos durante el encuentro se obtienen los datos en directo más recientes, y una última extracción tras el partido proporciona los datos finales.
Limpieza de datos antes del entrenamiento del modelo
La limpieza de datos determina directamente la calidad de la información que puede usar el modelo. Los datos en bruto suelen contener errores de entrada, valores ausentes, registros duplicados y valores atípicos, así que antes hay que imputar valores, comprobar la unicidad, detectar anomalías y alinear las fuentes. Solo entonces pasan a la ingeniería de variables y al proceso de machine learning.
- Valores ausentes: se eliminan, se rellenan de forma razonable o se imputan con un modelo, para que no queden huecos en los datos de entrenamiento.
- Duplicados y anonimización: se eliminan las entradas repetidas para que cada partido y cada registro sean únicos.
- Valores atípicos: se detectan con métodos estadísticos los valores extremos anómalos, para que un partido excepcional no distorsione el modelo.
- Integración de fuentes distintas: se alinean los datos oficiales y los de varios terceros, se unifica la escritura de equipos y jugadores, se convierten los formatos de cada fuente y se fusiona todo usando el partido como clave principal, de modo que todos los datos compartan un formato coherente.
① Eliminar los campos que provocan fuga de datos (Data Leakage) (por ejemplo, el marcador o el resultado, que solo existen después del partido), para que el modelo no acceda a información del futuro durante el entrenamiento; ② eliminar las variables duplicadas muy correlacionadas (como porcentajes de tiro que se solapan entre sí, o usar diferencias entre los dos equipos), para reducir la multicolinealidad (Multicollinearity).
Ingeniería de variables para pronósticos deportivos
La ingeniería de variables convierte la capacidad de dos equipos en valores comparables. Todas las ligas aplican variables relativas, neutralización por ritmo o por campo, ventanas recientes (últimos 3/5/10 partidos), y ajustes por contexto y rival (variables diff). Después, los indicadores estadísticos se configuran según la estructura de juego del baloncesto, el béisbol, el hockey sobre hielo, el fútbol americano y el fútbol.
Fuerza relativa · neutralización por eficiencia/ritmo · ventanas recientes (últimos 3 a 30 partidos) · contexto del calendario y ajuste por rival (variables diff).
- Cuatro factores eFG%/TOV%/ORB%/FTR
- Datos por 100 posesiones
- Fuerza ofensiva y defensiva (fuerza relativa)
- Más/menos de los últimos 5/10 partidos
- Back-to-back · días de descanso
- wOBA・xFIP・WHIP
- Hard-Hit%・K/9
- Factor de estadio (Park Factor)
- Lanzador abridor en sus últimas 3/10 salidas
- Rotación y descanso · ABS
- Goles a favor y en contra por partido
- Porcentaje de victorias en casa y fuera
- Victorias en los últimos 10 partidos · rachas
- Descanso · back-to-back
- Yardas por jugada, por carrera y por pase
- Conversión en tercer y cuarto down
- Touchdowns en zona roja · puntos por drive
- Pérdidas e intercepciones · sacks · yardas de castigo
- Días de descanso (últimos 3/7/15)
- Posesión · precisión de pase
- Tiros a puerta y fuera · córneres
- Sistema de puntuación Elo (fuerza relativa)
- Puntos y goles de los últimos 4 partidos
- Días de descanso (últimos 5/10/30/temporada)
La selección de variables combina análisis de correlación, análisis de componentes principales (Principal Component Analysis, PCA) y ganancia de información (Information Gain) para quedarse con los campos más informativos. Cada modelo recoge más de 1,500 variables y después descarta el ruido con poca relación con el resultado.
Arquitectura de entrenamiento del modelo de machine learning
El entrenamiento usa una arquitectura común con pesos estimados por liga. Cada deporte tiene una dinámica de juego, un tamaño de muestra y unas variables disponibles distintas, y compartir los pesos reduciría la precisión. Por eso cada liga se entrena y se calibra por separado, manteniendo el mismo proceso de machine learning y de validación.
Árboles de gradient boosting y aprendizaje ensemble
Evolución del modelo: del random forest al stacking actual
Precisión: el criterio cambia según el deporte
La aleatoriedad de cada partido varía, así que el techo de precisión también cambia de una liga a otra. «Partidos seleccionados» significa que el modelo solo elige los encuentros con mayor confianza, y su tasa de acierto es superior a la global.
En baloncesto la aleatoriedad de cada partido es menor (el sector se mueve en torno al 65～70% global); en béisbol y hockey sobre hielo es mayor (en torno al 55～60%), y el fútbol, al existir el empate (3-way), usa otro criterio. Es uno de los motivos por los que las 25 ligas se entrenan y se calibran por separado. Más información: el modelo NBA en detalle, el modelo MLB en detalle y el modelo NHL en detalle.
Calibración de probabilidades y validación walk-forward
La probabilidad de victoria del modelo solo sirve para decidir si ha pasado por la calibración de probabilidades y la validación walk-forward. Con Isotonic Regression/Platt Scaling conseguimos que los partidos con un «73% de probabilidad» acaben ganando, a largo plazo, unas 73 de cada 100 veces. Además, entrenamos solo con datos anteriores al momento de la predicción para pronosticar el periodo siguiente, y reducimos el sobreajuste con regularización y selección de variables.
Cuando la muestra es insuficiente (las dos primeras semanas de temporada) o acaba de producirse un hecho relevante (traspaso de una estrella, cambio de última hora del lanzador abridor o del portero, volumen de conversación anómalo), el modelo aumenta la incertidumbre, baja el nivel de confianza y, si hace falta, no emite pronóstico, para no ofrecer predicciones de baja calidad cuando hay demasiado ruido. El backtest y la verificación del historial de cada versión, así como los pronósticos diarios en real, son públicos y se pueden comprobar.
EV/CLV y evaluación de las cuotas del mercado
La evaluación del mercado empieza por quitar el margen de la casa (Vigorish/Overround) y después compara la probabilidad del modelo con la probabilidad justa. Las cuotas incluyen el beneficio de la casa de apuestas, así que las probabilidades implícitas calculadas directamente suman más del 100%. Una vez eliminado el margen, el sistema calcula el valor esperado (Expected Value, EV) y el valor de cierre (Closing Line Value, CLV), y solo filtra las oportunidades con EV positivo:
Hacemos el backtest de la estrategia con el CLV, comparando el precio al que se apuesta con la cuota de cierre. Conseguir de forma sostenida un precio mejor que el de cierre indica que el modelo valora antes que el mercado, algo muy relacionado con la rentabilidad a largo plazo. Por último, el tamaño de la apuesta se decide con el criterio de Kelly (Kelly Criterion), por ejemplo con Kelly fraccionado, y se concentra la actividad en la zona de EV positivo y CLV positivo.
La información previa al partido cambia constantemente, así que el modelo recalcula cada día y se actualiza de forma continua. Los movimientos de cuota, las lesiones y los cambios de alineación se reflejan al momento en el EV/CLV, hasta que, cerca del inicio, se fijan los pronósticos del día. Cuando la IA detecta una desviación entre el precio del mercado y la valoración basada en datos, el equipo la revisa. Todos los pronósticos de IA de hoy y sus resultados (fallos incluidos) se conservan en la página de historial para que puedan comprobarse.
Factores de predicción propios de cada liga
Los factores propios de cada liga deben convertirse en variables de contexto verificables. Además de los datos básicos, el modelo incorpora señales específicas de cada deporte: estadio, lanzador abridor, portero, fatiga de calendario, tendencia al empate y eventos en tiempo real. Si faltan datos o la incertidumbre es demasiado alta, el sistema baja el nivel de confianza o descarta ese partido.
Altitud del pabellón · química del equipo · estado anímico
Las pistas en altitud, como la de Denver, reducen la anotación del visitante; la química de la plantilla (datos avanzados de quintetos) y el estado anímico reciente de los jugadores (sentimiento en redes sociales) también influyen en cada partido.
Factor de estadio y lanzador abridor
El entorno de anotación varía mucho de un estadio a otro (por ejemplo, Coors, en altitud, con un factor de estadio (Park Factor) ≈ 112); el lanzador abridor es la mayor variable de cada partido. También se incorpora el nuevo sistema ABS de 2026.
Portero titular y fatiga de calendario
El portero titular (SV%) pesa mucho en cada partido; un calendario apretado, los back-to-back y las giras fuera de casa reducen el rendimiento.
Descanso, semana corta y factor campo
La semana corta de los jueves, la diferencia de descanso tras la semana libre (bye), el factor campo y la meteorología influyen en el desarrollo de cada partido de fútbol americano.
Tendencia al empate y calendario apretado
El fútbol es 3-way (con empate): hay que incorporar el calendario apretado y las rotaciones por competiciones europeas y copas, la ventaja de local y el ajuste Elo entre ligas.
Detección de eventos en tiempo real y de anomalías en la conversación: en todas las ligas se recogen por API los traspasos, lesiones, sanciones y otros eventos en tiempo real, junto con la conversación en redes sociales, para hacer análisis de sentimiento y detectar volúmenes de conversación anómalos. Si en un partido acaba de producirse un hecho relevante o el volumen de conversación es anormalmente alto, el modelo aumenta la incertidumbre y, si hace falta, no pronostica ese partido, para centrarse en datos cuantificables.
Arquitectura común y modelos independientes
Los pronósticos de todas las ligas comparten arquitectura de datos, pero usan modelos independientes. El pipeline de datos, los métodos de validación y las reglas de evaluación del mercado son los mismos; las variables, los pesos del modelo y la calibración de probabilidades se entrenan por separado para cada liga. Así el sistema combina coherencia de método con las particularidades de los datos de cada deporte.
- Lo que se comparte: el pipeline de datos, el proceso de seis pasos, el stack del modelo (GBDT + deep learning + calibración de probabilidades + aprendizaje ensemble), el método de validación (validación walk-forward), la eliminación del margen y la disciplina de apuesta basada en EV/CLV.
- Lo que se entrena por separado: las variables, los pesos del modelo y la calibración de probabilidades, porque la dinámica de juego (ritmo, lanzador abridor/portero, estadio), el tamaño de muestra y las variables disponibles son distintos en la NBA, la MLB y la NHL.
- Escalable: ya cubre 25 ligas. Para añadir una nueva, basta con conectar su fuente de datos oficial y definir sus variables; toda la arquitectura se reutiliza y la liga puede estar operativa en poco tiempo.
Ligas cubiertas por el modelo de pronósticos con IA
Mysports.AI cubre 25 ligas con un mismo marco de datos y de validación. De los datos oficiales a las variables, los modelos de probabilidad y las cuotas del mercado, ligas como la NBA, la MLB, la NHL y las de fútbol usan variables, pesos y modelos de calibración distintos según su propia estructura de juego.
25 ligas en total
Preguntas frecuentes sobre el algoritmo de IA para apuestas deportivas
Estas preguntas frecuentes responden sobre la precisión, el funcionamiento, el entrenamiento por liga, los métodos de validación y los indicadores de mercado del modelo de pronósticos con IA, y explican, a partir de la metodología y los datos publicados en esta página, cómo el modelo genera y filtra sus pronósticos deportivos.
¿Qué precisión tiene el modelo de pronósticos con IA de Mysports.AI?
La precisión depende de la liga y del criterio de pronóstico. En los partidos seleccionados por el modelo es actualmente del 79% en la NBA, 68% en la MLB, 65% en la NHL y 67% en la NFL; la temporada regular global y el fútbol usan su propio criterio. Todos los pronósticos y resultados se conservan en la página de historial para que puedan comprobarse.
¿Cómo genera sus pronósticos el algoritmo de IA para apuestas deportivas?
El sistema sigue un pipeline de datos de seis pasos: recogida, limpieza, ingeniería de variables, entrenamiento del modelo, calibración de probabilidades y backtest, y después compara las cuotas del mercado, el valor esperado y el valor de cierre. Todas las ligas comparten la arquitectura, pero cada una usa sus propias variables y pesos.
¿Por qué hay que entrenar un modelo distinto para cada liga?
Cada liga tiene una dinámica de juego, un tamaño de muestra y unas variables disponibles diferentes. En la NBA pesan el ritmo y los cuatro factores; en la MLB, el lanzador abridor y el factor de estadio; en la NHL, el portero y la fatiga de calendario. Por eso el pipeline de datos es común, pero el entrenamiento, la validación y la calibración se hacen por separado.
¿Cómo evita el modelo la fuga de datos y el sobreajuste?
La limpieza de datos elimina los campos de resultado que solo existen después del partido, para evitar la fuga de datos, y suprime las variables duplicadas muy correlacionadas. En el entrenamiento, la regularización, la selección de variables y la validación walk-forward controlan el sobreajuste, de modo que el backtest se parezca más a una situación real de pronóstico.
¿Qué papel tienen el EV y el CLV en el proceso de selección?
El valor esperado compara la probabilidad de victoria de la IA con la cuota y solo deja pasar oportunidades con EV positivo; el valor de cierre compara el precio obtenido con la cuota de cierre para comprobar si el modelo detecta antes que el mercado las desviaciones de precio. El modelo se actualiza de forma continua con los movimientos de cuota, las lesiones y las alineaciones.
Fuentes de datos y equipo autor
- Datos oficiales de las ligas: NBA.com Stats, MLB Stats API, NHL.com Stats; además, se integran proveedores de datos de pago (Sportradar, Genius Sports, Stats Perform, entre otros) para contrastar la información.
- Modelos y métodos: documentación oficial de LightGBM, XGBoost, calibración de probabilidades en scikit-learn, aprendizaje ensemble.
- Origen del modelo de los cuatro factores: Dean Oliver, «Basketball on Paper» (2004); puntuación Elo: sistema de puntuación Elo.
- Criterio de los datos de esta página: la tasa de acierto de cada liga es el valor de backtest histórico de los partidos seleccionados por el modelo (media de los últimos 3 años: NBA 79%, MLB 68%, NHL 65%, NFL 67%); la temporada regular global y el fútbol usan su propio criterio. El rendimiento pasado no garantiza resultados futuros.
Investigación relacionada: Mysports.AI Research.