Algoritmi per Scommesse Over/Under: Modelli e Soglie Ottimali

Il mercato over/under è il territorio naturale dell’algoritmo. Mentre il mercato 1X2 richiede di prevedere chi vince — una domanda che coinvolge tattica, motivazione, episodi casuali e mille variabili qualitative — il mercato over/under chiede solo quanti gol ci saranno. È una domanda quantitativa per definizione, e i modelli statistici sono costruiti per rispondere a domande quantitative.

Non sorprende che molti scommettitori algoritmici ottengano i risultati migliori proprio su questo mercato. Questa guida spiega come applicare i modelli di Poisson e le loro varianti al mercato over/under, come scegliere la soglia ottimale e come identificare le partite dove il modello vede più valore.

La base: probabilità over/under dal modello di Poisson

Il modello di Poisson produce una matrice di probabilità per tutti i punteggi possibili. Dalla matrice, calcolare la probabilità di over/under su qualsiasi soglia è una semplice somma di celle. Per l’over 2.5 — la soglia più popolare — sommi tutte le celle dove il totale gol è 3 o superiore. Per l’under 2.5, sommi le celle restanti (totale gol 0, 1 o 2).

Il vantaggio del Poisson per il mercato over/under è che fornisce probabilità su tutte le soglie contemporaneamente. Con la stessa matrice puoi calcolare over/under 0.5, 1.5, 2.5, 3.5, 4.5 e qualsiasi altra soglia. Questo è utile perché i bookmaker non sempre prezzano tutte le soglie con la stessa efficienza: potresti non trovare valore sull’over 2.5 ma trovarlo sull’over 3.5 o sull’under 1.5.

Il calcolo inizia dai parametri lambda per le due squadre. Se il tuo modello stima lambda casa = 1,8 e lambda trasferta = 1,1, i gol attesi totali sono 2,9. Questo non significa che l’over 2.5 sia automaticamente favorito — la distribuzione di Poisson non è simmetrica, e la probabilità esatta dipende dalla forma della distribuzione. Con lambda totale di 2,9, la probabilità dell’over 2.5 è circa il 62%, non il 50% che un ragionamento intuitivo potrebbe suggerire.

La sensibilità della probabilità over/under ai parametri lambda è una caratteristica importante. Una variazione di 0,2 in un lambda può spostare la probabilità dell’over 2.5 di 5-7 punti percentuali, il che a sua volta può trasformare una scommessa senza valore in una value bet o viceversa. Questo significa che la precisione nella stima dei lambda è particolarmente critica per il mercato over/under — più critica che per il mercato 1X2, dove le probabilità sono più stabili rispetto a piccole variazioni nei parametri.

Oltre il Poisson: modelli specifici per i totali gol

Il Poisson base assume che i gol delle due squadre siano indipendenti, il che introduce un errore sistematico: il modello sottostima leggermente la probabilità dei punteggi bassi (0-0, 1-0, 0-1) e sovrastima quella dei punteggi alti. Per il mercato over/under, questo bias significa che il Poisson tende a sovrastimare l’over e sottostimare l’under — un errore piccolo ma consistente che, su centinaia di scommesse, può erodere i profitti.

La correzione Dixon-Coles, con il suo parametro rho che aggiusta le probabilità dei punteggi bassi, mitiga questo problema ed è particolarmente utile per le soglie basse (under 1.5, under 2.5). Per le soglie alte (over 3.5, over 4.5), il miglioramento è marginale perché la correzione agisce principalmente sulla zona della matrice dove i gol sono pochi.

Un approccio alternativo è modellare direttamente il totale gol anziché i gol di ciascuna squadra separatamente. Invece di stimare due lambda e costruire la matrice, puoi stimare un unico parametro — la media gol attesi nella partita — e usare la distribuzione di Poisson (o la distribuzione binomiale negativa, che gestisce meglio la sovradispersione) direttamente sul totale. Questo approccio perde l’informazione sulla distribuzione dei gol tra le due squadre, ma per il mercato over/under — dove conta solo il totale — può essere ugualmente efficace e più semplice da implementare.

La distribuzione binomiale negativa è particolarmente interessante per i totali gol. A differenza della distribuzione di Poisson, che assume che la varianza sia uguale alla media, la binomiale negativa ha un parametro aggiuntivo che permette alla varianza di essere maggiore della media. I dati empirici mostrano che la varianza dei gol totali in una partita è tipicamente il 10-20% superiore alla media — una sovradispersione che il Poisson non cattura e che la binomiale negativa gestisce correttamente. L’effetto pratico è che la binomiale negativa assegna probabilità leggermente più alte agli eventi estremi (partite con zero gol o con molti gol) rispetto al Poisson, il che la rende più accurata per le soglie estreme (under 0.5, over 4.5).

Scegliere la soglia giusta: dove si nasconde il valore

Non tutte le soglie over/under sono uguali dal punto di vista del valore. La soglia 2.5 è la più popolare e la più liquida — il che significa che i bookmaker la prezzano con più attenzione e margini più bassi. Paradossalmente, la maggiore efficienza del mercato sulla soglia 2.5 rende più difficile trovare value bet su di essa.

Le soglie meno popolari — 1.5, 3.5, 4.5 — sono spesso prezzate con meno cura, creando potenziali inefficienze. L’under 1.5 è un mercato di nicchia dove i bookmaker tendono a offrire margini più alti, ma dove un modello accurato può trovare valore reale. Partite tra squadre difensive con lambda totale basso (intorno a 1,8-2,0) possono avere probabilità di under 1.5 del 25-30% che i bookmaker quotano come se fossero del 20-22%.

L’over 3.5 è l’altra soglia interessante per chi cerca valore. Le partite con lambda totale alto (sopra 3,2) possono avere probabilità di over 3.5 del 55-60%, ma i bookmaker tendono a essere conservativi sulle soglie alte e le quotano come se fossero del 48-52%. La ragione è psicologica oltre che statistica: gli scommettitori ricreazionali preferiscono l’over 2.5 (più “sicuro”) e l’over 3.5 riceve meno volume, il che lascia più spazio per le inefficienze.

Un approccio sistematico è calcolare l’EV su tutte le soglie disponibili per ogni partita e scommettere solo sulla soglia con l’EV più alto. In una partita con lambda totale di 3,0, l’EV migliore potrebbe essere sull’over 2.5 (EV del 4%), sull’over 3.5 (EV del 6%) o sull’under 1.5 (EV del 3%), a seconda di come il bookmaker ha distribuito il margine.

I fattori che il modello standard non cattura

Il Poisson usa le medie stagionali per stimare i lambda, ma le medie non raccontano tutta la storia. Ci sono fattori che influenzano sistematicamente il numero di gol in una partita e che un modello più sofisticato può incorporare.

Il contesto della partita è il primo. I derby tendono ad avere meno gol della media (tensione, tattica conservativa), le partite di fine stagione tra squadre senza obiettivi tendono ad averne di più (rilassamento, sperimentazione), e le partite con una grande differenza di qualità possono andare in entrambe le direzioni (dominio che produce molti gol, o gestione del risultato che ne produce pochi).

Le condizioni meteorologiche hanno un impatto documentato. Pioggia forte e vento riducono la precisione dei passaggi e dei tiri, abbassando la media gol. Il freddo estremo influenza le prestazioni fisiche. Questi fattori non sono facilmente quantificabili con un modello standard, ma possono giustificare un aggiustamento manuale del lambda quando le condizioni sono estreme.

L’effetto arbitro è più sottile ma reale. Alcuni arbitri concedono più rigori della media, altri meno. Alcuni lasciano correre il gioco, favorendo azioni più fluide e potenzialmente più gol. I dati sugli arbitri sono disponibili su diverse piattaforme, e per il mercato over/under possono aggiungere informazione marginale ma utile.

Il momento della stagione influisce sui lambda. Le prime giornate tendono ad avere medie gol diverse (spesso più basse, per la preparazione fisica ancora incompleta) rispetto al cuore della stagione. Usare una finestra mobile di 10-15 partite anziché la media stagionale completa cattura queste variazioni temporali.

Il mercato dove la pazienza paga di più

L’over/under ha una caratteristica che lo rende particolarmente adatto al betting algoritmico di lungo periodo: la distribuzione delle quote è relativamente concentrata intorno a 1,80-2,00 per entrambi i lati, il che significa che le scommesse hanno un profilo di rischio/rendimento più prevedibile rispetto al mercato 1X2, dove le quote possono variare da 1,20 a 10,00.

Questa prevedibilità si traduce in curve di bankroll più lisce. Un modello over/under con un edge del 3-4% produce serie negative meno profonde e serie positive meno esplosive rispetto a un modello 1X2 con lo stesso edge. Per chi ha una tolleranza al rischio moderata e preferisce una crescita del bankroll stabile a grandi oscillazioni, il mercato over/under è l’habitat naturale.

Il rovescio della medaglia è che il rendimento per scommessa è più basso: con quote intorno a 1,90, anche un’ottima value bet offre un profitto contenuto per singola puntata. La compensazione viene dal volume: le opportunità over/under sono più numerose (ogni partita ha almeno quattro soglie analizzabili) e più frequenti (la stagione calcistica offre migliaia di partite all’anno).

Chi si specializza nell’over/under costruisce un vantaggio che si accumula silenziosamente — senza colpi spettacolari, senza vincite a quota alta, senza screenshot da condividere sui social. Ma con una curva di bankroll che, partita dopo partita, tende verso l’alto con la costanza di un interesse composto. Nel betting, la noia è spesso il segnale che stai facendo le cose giuste.