Calcolare la probabilità vera e trovare le scommesse di valore
Una selezione vincente non è necessariamente una buona scommessa, e una perdente non è necessariamente una cattiva. La qualità di una puntata dipende dal rapporto tra probabilità e prezzo nel momento in cui viene piazzata. Se un esito è offerto a quote superiori alle sue quote eque, può avere valore atteso positivo anche se può ancora perdere.
La parte difficile non è convertire le quote. È stimare la probabilità con onestà, misurare l’incertezza e rifiutare di inventare precisione dove le prove sono deboli. Questa guida spiega un quadro pratico per farlo.
Probabilità vera, probabilità stimata e probabilità implicita
Questi termini vanno tenuti distinti.
| Concetto | Significato | Si può conoscere esattamente prima dell’evento? |
|---|---|---|
| Probabilità vera | La reale chance sottostante dell’esito | Di solito no |
| Probabilità stimata | Il tuo modello o giudizio su quella chance | Sì, ma contiene errore |
| Probabilità implicita | Il tasso di break-even codificato dalle quote offerte | Sì |
| Probabilità di mercato senza margine | Stima di mercato dopo un metodo di rimozione del margine | Sì, ma dipendente dal metodo |
Chiamare il proprio numero «la probabilità vera» è troppo sicuro di sé. La probabilità vera è sconosciuta; il tuo compito è produrre una stima difendibile e capire quanto potrebbe sbagliare.
Cos’è una scommessa di valore?
Una scommessa ha valore teorico quando le quote disponibili sono più alte delle quote eque prodotte da una stima di probabilità accurata.
Supponi di stimare la probabilità di vittoria di una squadra al 50%.
Quote eque = 1 ÷ 0.50 = 2.00
- Quote di mercato 1.85: sotto il tuo prezzo equo; valore negativo sotto la tua stima.
- Quote di mercato 2.00: prezzo teorico di break-even.
- Quote di mercato 2.20: sopra il tuo prezzo equo; potenziale valore positivo.
«Potenziale» conta perché la conclusione è affidabile solo quanto la stima del 50%.
Passo 1: Definire l’evento con precisione
La probabilità non si può stimare finché l’evento non è univoco.
«Vince la squadra A» potrebbe significare:
- vince nei tempi regolamentari;
- si qualifica dopo i supplementari o i rigori;
- vince con handicap asiatico −0.5;
- vince almeno un tempo;
- vince e entrambe le squadre segnano.
Ogni evento ha una probabilità diversa. Scrivi mercato, periodo di regolamento e condizioni di void prima di iniziare l’analisi.
Passo 2: Stabilire una baseline
Inizia da un tasso di base, non da una storia. Baseline utili possono includere:
- probabilità di mercato senza margine;
- un modello statistico;
- rating di squadra in stile Elo;
- proiezioni di expected goals;
- tasso storico per una popolazione definita in modo stretto.
Il mercato è un utile benchmark perché aggrega informazioni, ma copiarlo e fare aggiustamenti arbitrari non è analisi indipendente. Un modello è utile solo se è stato testato su dati non usati per costruirlo.
Rimuovere il margine da un mercato
Supponi che un mercato 1X2 offra:
| Esito | Quota | Probabilità implicita grezza |
|---|---|---|
| Vittoria casa | 2.20 | 45.45% |
| Pareggio | 3.50 | 28.57% |
| Vittoria trasferta | 3.40 | 29.41% |
| Totale | 103.44% |
Usando la normalizzazione proporzionale:
Probabilità senza margine = Probabilità implicita grezza ÷ 103.44%
| Esito | Probabilità proporzionale senza margine |
|---|---|
| Vittoria casa | 43.94% |
| Pareggio | 27.62% |
| Vittoria trasferta | 28.44% |
Questa è un’interpretazione del mercato senza margine, non una verità oggettiva.
Passo 3: Selezionare le evidenze rilevanti
Più dati non sono automaticamente meglio. Usa variabili con una relazione plausibile con l’evento e disponibili prima della scommessa.
Per le probabilità di una partita di calcio, evidenze utili possono includere:
- forza offensiva e difensiva di lungo periodo;
- expected goals a favore e contro;
- vantaggio casalingo;
- undici titolare previsto e disponibilità dei giocatori;
- riposo e congestione del calendario;
- qualità dell’avversario;
- matchup tattico;
- condizioni meteo o di campo quando rilevanti.
Fai attenzione a:
- serie recenti di vittorie grezze;
- confronti diretti di rose vecchie;
- possesso senza qualità delle occasioni;
- campioni selettivi degli ultimi cinque incontri;
- narrazioni motivazionali senza evidenze misurabili.
Le evidenze dovrebbero cambiare la tua stima solo quando puoi spiegare perché influenzano l’esito definito.
Passo 4: Costruire un modello di probabilità
Non esiste un unico modello obbligatorio. Il livello appropriato dipende dallo sport, dai dati e dalle competenze.
Approccio a rating semplice
Un rating di forza di squadra può stimare la qualità relativa e tradurre la differenza in probabilità di partita. Vantaggio casa e assenze di giocatori possono essere aggiustamenti espliciti.
Approccio expected goals
Stima gli expected goals di ciascuna squadra, poi usa un modello di Poisson o correlato per generare probabilità di punteggio. Sommando i punteggi rilevanti ottieni stime casa, pareggio, trasferta, totali o risultato esatto.
Modello empirico
Per un prop giocatore, stima la distribuzione dei minuti e il tasso di evento per 90, aggiustato per ruolo e avversario. Una semplice media stagionale non basta se il ruolo del giocatore cambia.
Giudizio strutturato
Se un modello formale non è disponibile, parti da una baseline trasparente e documenta piccoli aggiustamenti giustificati. Evita grandi cambiamenti basati solo sull’intuizione.
Qualunque metodo usi, congela il processo prima di vedere il risultato. Cambiare le assunzioni dopo la partita crea senno di poi, non apprendimento.
Passo 5: Controllare la calibrazione
Un modello di probabilità va giudicato dal fatto che le probabilità siano calibrate, non solo dal pick dei vincitori.
Se le selezioni assegnate al 60% vincono circa il 60% delle volte su un campione sufficientemente grande, quel gruppo è ben calibrato. Se vincono solo il 48%, il modello è troppo sicuro.
| Gruppo di previsioni | Numero di previsioni | Tasso previsto | Tasso reale | Interpretazione |
|---|---|---|---|---|
| 40–49% | 220 | media 45% | 44% | Vicino |
| 50–59% | 190 | media 55% | 51% | Leggermente troppo sicuro |
| 60–69% | 140 | media 65% | 56% | Materialmente troppo sicuro |
La calibrazione richiede molte osservazioni indipendenti. Dieci scommesse vincenti non validano un modello al 60%.
Regole di scoring come Brier score o log loss valutano la qualità della probabilità più efficacemente del solo tasso di vittoria.
Passo 6: Convertire la stima in quote eque
Quote decimali eque = 1 ÷ Probabilità stimata
| Probabilità stimata | Quote decimali eque |
|---|---|
| 70% | 1.43 |
| 60% | 1.67 |
| 55% | 1.82 |
| 50% | 2.00 |
| 45% | 2.22 |
| 40% | 2.50 |
| 25% | 4.00 |
Mantieni abbastanza decimali durante il calcolo, ma non presentare la stima come più precisa di quanto il modello supporti. «55%» può essere più onesto di «55,37%» quando input importanti sono incerti.
Passo 7: Calcolare edge e valore atteso
Due misure comuni sono l’edge di probabilità e il valore atteso.
Edge di probabilità
Edge di probabilità = La tua stima − Probabilità implicita
A quote 2.20, la probabilità implicita è 45.45%. Se la tua stima è 50%:
50.00% − 45.45% = 4.55 punti percentuali
Questo è un gap in punti percentuali, non un rendimento garantito.
Valore atteso
Per un’unità puntata a quote decimali O con probabilità di vittoria stimata p:
EV = (p × O) − 1
A quote 2.20 e probabilità 50%:
EV = (0.50 × 2.20) − 1 = +0.10
Il rendimento atteso teorico è +0.10 unità per unità puntata, ovvero +10%, se la stima è accurata.
La stessa scommessa perde comunque il 50% delle volte.
Passo 8: Eseguire un’analisi di sensitività
Una stima singola nasconde l’incertezza. Verifica come cambia la conclusione se la tua probabilità è leggermente sbagliata.
Per quote 2.20:
| Probabilità stimata | EV per unità | Implicazione decisionale |
|---|---|---|
| 47% | +0.034 | Edge apparente sottile |
| 48% | +0.056 | Edge piccolo |
| 50% | +0.100 | Edge più chiaro |
| 52% | +0.144 | Edge più grande |
Il break-even è 45.45%. Se un intervallo di incertezza ragionevole è 43%–51%, il segno dell’edge è incerto. Se l’intervallo è 48%–52%, la conclusione è più robusta.
Per questo etichette fisse come «1–3% edge piccolo» o «7% edge forte» possono fuorviare. Un edge calcolato del 7% da un modello scarso non è più forte di un 2% da uno ben calibrato.
Esempio pratico: vittoria casa nel calcio
Supponi che il mercato offra Vittoria casa a 2.35.
Baseline
Dopo aver rimosso il margine da diversi prezzi di mercati liquidi, la tua probabilità di riferimento è 41%.
Analisi indipendente
Il tuo modello stima il 44%, riflettendo:
- una prestazione sottostante di expected goals più forte di quanto suggeriscano i risultati recenti;
- undici titolare casalingo al completo;
- avversario senza un centrocampista centrale ad alto impatto;
- riposo normale e nessun aggiustamento meteo rilevante.
Prezzo equo
1 ÷ 0.44 = 2.27
Soglia di mercato
1 ÷ 2.35 = 42.55%
Valore atteso
EV = (0.44 × 2.35) − 1 = +0.034
Il rendimento stimato è +3.4% per unità. È un edge sottile. Se l’errore del modello è di diversi punti percentuali, il vantaggio potrebbe non essere reale. Una risposta ragionevole può essere una puntata molto piccola — o nessuna scommessa — invece di trattare ogni calcolo positivo come azionabile.
Il confronto dei prezzi conta
La tua stima di probabilità può restare invariata mentre il valore cambia con il prezzo.
A una probabilità stimata del 44%:
| Quote disponibili | Probabilità implicita | EV |
|---|---|---|
| 2.20 | 45.45% | −3.2% |
| 2.27 | 44.05% | −0.1% |
| 2.35 | 42.55% | +3.4% |
| 2.45 | 40.82% | +7.8% |
La selezione non è cambiata. È cambiato solo il prezzo di acquisto. Per questo «Chi vincerà?» è meno utile di «Quale prezzo è disponibile?»
Errori comuni di probabilità
Partire dalle quote e ricostruire l’accordo a ritroso
Se la tua stima rispecchia semplicemente il mercato con un piccolo aggiustamento, potrebbe non contenere informazione indipendente.
Doppio conteggio delle informazioni
Un infortunio può già essere riflesso nei rating di squadra e poi sottratto di nuovo manualmente.
Sovrappesare i risultati recenti
I risultati contengono fortuna nel finalizzare, effetti dell’avversario e rumore da campione piccolo. La prestazione sottostante è spesso più stabile.
Ignorare la dipendenza
Eventi di giocatore e di squadra possono essere correlati. Moltiplicare probabilità marginali come se fossero indipendenti produce falsa precisione.
Usare dati non disponibili al momento della decisione
I backtest che includono informazioni future sono contaminati e sovrastimano le prestazioni.
Confondere fiducia e accuratezza
Saper spiegare una previsione in modo persuasivo non rende il numero calibrato.
Giudicare il processo da un solo risultato
Un esito al 20% vince in media una volta su cinque. Il suo verificarsi non prova che la stima del 20% fosse sbagliata, così come la vittoria di un favorito non prova che il suo prezzo offrisse valore.
Tenuta dei registri e revisione del modello
Per ogni previsione, registra:
- timestamp;
- mercato esatto e regole;
- la tua probabilità prima del risultato finale;
- quote disponibili e puntata;
- input principali del modello;
- quote di chiusura;
- esito;
- revisione successiva delle assunzioni.
Valuta:
- calibrazione per fascia di probabilità;
- Brier score o log loss;
- rendimento per mercato e campionato;
- performance rispetto alla closing line;
- dimensione del campione e incertezza;
- se i risultati reggono dopo aver rimosso gli outlier.
Il profitto è importante, ma il profitto di breve periodo da solo non distingue edge da varianza.
Standard minimo prima di chiamare qualcosa value
- L’evento e le regole di regolamento sono precisi.
- La stima di probabilità è stata fatta prima dell’esito.
- Il metodo ha un campione storico significativo.
- Gli input erano disponibili al momento della decisione.
- Il margine del bookmaker è stato considerato.
- È stato usato il prezzo corrente — non obsoleto.
- L’analisi di sensitività non cancella subito l’edge.
- La puntata riflette l’incertezza del modello.
- Il ragionamento è registrato e auditabile in seguito.
Se non puoi soddisfare la maggior parte di queste condizioni, chiamalo ipotesi piuttosto che scommessa di valore.
Domande frequenti
Si può calcolare esattamente la probabilità vera?
Di solito no prima di un evento sportivo. Puoi calcolare una stima di modello, ma restano informazioni sconosciute e casualità.
La probabilità di mercato senza margine è una buona baseline?
Spesso sì, soprattutto nei mercati liquidi. Aggrega informazioni, ma non è garantita corretta e non va scambiata per ricerca indipendente.
Quanto deve essere grande un edge prima di scommettere?
Non esiste una soglia universale. Il margine richiesto deve riflettere errore del modello, liquidità di mercato, vincoli di esecuzione e rischio di bankroll. Edge teorici piccoli sono facilmente sopraffatti dall’errore di stima.
Un EV positivo garantisce profitto a lungo termine?
Solo se le stime di probabilità sono abbastanza accurate, i prezzi restano disponibili, l’esecuzione è coerente e il campione è sufficientemente grande. Queste condizioni non si possono dare per scontate.
Dovrei usare il criterio di Kelly?
Lo staking Kelly è altamente sensibile all’errore di probabilità. Il Kelly frazionario può ridurre la volatilità, ma i principianti dovrebbero prima dimostrare la calibrazione e usare puntate conservative.
Considerazioni finali
Trovare valore non significa dichiarare di conoscere la probabilità vera. Significa costruire una stima trasparente, confrontarla con il prezzo e trattare l’incertezza come parte del calcolo.
Definisci l’evento, stabilisci una baseline, usa evidenze rilevanti, testa la calibrazione, converti la probabilità in quote eque, calcola il valore atteso e chiediti se la conclusione sopravvive a un errore ragionevole. A volte l’analisi produce una scommessa. Spesso dovrebbe produrre un pass. Entrambi gli esiti sono segni di un processo disciplinato.
Usa il calcolatore di scommesse OddsWave per verificare l’aritmetica dei payout, ma ricorda che l’input più difficile — la probabilità — resta tua responsabilità.
Last updated: July 2026
Published by OddsWave Betting Academy
