Modello Dixon-Coles: L’Evoluzione del Poisson per i Pronostici

Nel 1997, due statistici britannici — Mark Dixon e Stuart Coles — pubblicarono un paper che avrebbe cambiato il modo in cui i modelli matematici trattano i pronostici calcistici. Il loro contributo non fu rivoluzionario nel senso più drammatico del termine: non buttarono via il Poisson, ma lo corressero dove faceva acqua. E faceva acqua soprattutto sui punteggi bassi, quelli che nel calcio contano di più.

Il modello Dixon-Coles resta, a quasi trent’anni dalla pubblicazione, uno dei riferimenti più solidi per chi vuole andare oltre il Poisson classico senza perdersi nella complessità del machine learning. Questa guida ne spiega la logica, le formule e i contesti in cui vale la pena adottarlo.

Il problema del Poisson con i punteggi bassi

Chi ha lavorato con il modello di Poisson standard si sarà accorto di un’anomalia ricorrente: le probabilità calcolate per lo 0-0, l’1-0, lo 0-1 e l’1-1 non corrispondono bene alle frequenze osservate nei campionati reali. In particolare, il Poisson tende a sottostimare la probabilità dei pareggi a reti inviolate e a sovrastimare leggermente i risultati con gol quando entrambe le squadre segnano poco.

Il motivo è strutturale. Il Poisson assume che i gol segnati da una squadra siano completamente indipendenti da quelli segnati dall’altra. In una partita tra due squadre difensive che si affrontano in un match tattico e bloccato, questa assunzione crolla: il fatto che una squadra non segni influenza — tatticamente e psicologicamente — la probabilità che nemmeno l’altra lo faccia. C’è una correlazione negativa tra i gol quando i punteggi sono bassi, e il Poisson classico la ignora del tutto.

Dixon e Coles quantificarono questo fenomeno analizzando migliaia di partite del calcio inglese (le prime quattro divisioni e la FA Cup, dal 1992 al 1995) e dimostrarono che la deviazione era sistematica, non casuale. Non si trattava di rumore statistico, ma di un bias strutturale del modello. La loro soluzione fu elegante nella sua semplicità: introdurre un singolo parametro correttivo che aggiustasse le probabilità dei punteggi 0-0, 1-0, 0-1 e 1-1, lasciando inalterato il resto della distribuzione.

Il parametro rho e la funzione di correzione

Il cuore dell’innovazione Dixon-Coles è il parametro ρ (rho), che modifica le probabilità congiunte dei punteggi bassi. La funzione di correzione τ(x, y, λ₁, λ₂, ρ) si applica solo quando entrambi i punteggi sono 0 o 1. Per tutti gli altri risultati (2-0, 3-1, ecc.), la probabilità resta quella del Poisson standard.

Le formule specifiche della correzione sono quattro. Quando il risultato è 0-0, la probabilità poissoniana viene moltiplicata per (1 – λ₁ × λ₂ × ρ). Per l’1-0, il moltiplicatore è (1 + λ₂ × ρ). Per lo 0-1, è (1 + λ₁ × ρ). Per l’1-1, è (1 – ρ). In tutte le altre combinazioni di punteggio, il fattore correttivo è semplicemente 1 — nessuna modifica.

Il valore di ρ viene stimato attraverso un processo di massimizzazione della verosimiglianza (maximum likelihood estimation) sull’intero dataset di partite. In pratica, si cercano contemporaneamente i valori ottimali dei parametri d’attacco e difesa di ogni squadra e del parametro ρ che meglio spiegano i risultati osservati. Il valore tipico di ρ nei campionati europei è leggermente negativo, nell’ordine di -0,03 a -0,10, confermando l’intuizione che i punteggi bassi sono più probabili di quanto il Poisson standard preveda.

Cosa significa in termini pratici? Se il Poisson calcola una probabilità del 7% per lo 0-0 in una certa partita, il Dixon-Coles potrebbe correggerla al 7,8% o all’8,5%. La differenza sembra minuscola, ma su centinaia di scommesse queste frazioni di punto percentuale si accumulano. Il betting è un gioco di margini sottili, e un modello che sistematicamente sbaglia del mezzo punto percentuale sui risultati più frequenti è un modello che perde soldi nel lungo periodo.

Massimizzazione della verosimiglianza: come si stima il modello

A differenza del Poisson semplice, dove i parametri si possono calcolare con rapporti e medie su un foglio Excel, il Dixon-Coles richiede un’ottimizzazione numerica. Si definisce una funzione di verosimiglianza che esprime la probabilità di osservare tutti i risultati del dataset dato un certo set di parametri, e poi si trovano i parametri che massimizzano questa funzione.

In pratica, ogni squadra ha due parametri — uno d’attacco (α) e uno di difesa (β) — più un parametro di vantaggio casalingo (γ) e il famoso ρ. Per un campionato a 20 squadre, si tratta di stimare circa 42 parametri simultaneamente. Non è qualcosa che si fa a mano, ma con Python e la libreria SciPy il problema diventa trattabile in pochi secondi di calcolo.

Il vincolo fondamentale è che la somma dei parametri d’attacco (o di difesa) sia normalizzata, altrimenti il sistema è indeterminato — si possono scalare tutti i parametri dello stesso fattore senza cambiare le probabilità. Dixon e Coles risolvono questo fissando la somma dei parametri d’attacco uguale a una costante. Una volta stimati i parametri, il modello funziona esattamente come il Poisson per generare le probabilità dei risultati, con l’aggiunta della correzione τ per i punteggi bassi.

Il decadimento temporale: dare più peso alle partite recenti

Una delle estensioni più importanti introdotte da Dixon e Coles — spesso trascurata da chi cita il modello solo per la correzione ρ — è il decadimento temporale dei dati. L’idea è semplice ma potente: una partita giocata la settimana scorsa è più informativa di una giocata sei mesi fa. Le rose cambiano, gli allenatori vengono esonerati, le squadre attraversano fasi di forma che rendono i dati vecchi progressivamente meno rilevanti.

Il meccanismo è un peso esponenziale applicato a ogni partita nel calcolo della verosimiglianza. La formula è w(t) = e^(-ξt), dove t è il tempo trascorso dalla partita e ξ (xi) è il parametro che controlla la velocità del decadimento. Un valore di ξ pari a zero significa nessun decadimento (tutte le partite pesano uguale), mentre valori più alti danno più importanza ai risultati recenti.

Dixon e Coles trovarono un valore ottimale di ξ pari a 0,0065 per dati bisettimanali (half-weeks), ma il valore ottimale dipende dal campionato e dal contesto. Nei campionati con molto turnover estivo (come la Serie A, dove il mercato rivoluziona metà delle rose ogni anno), un decadimento più aggressivo può essere appropriato. La cosa interessante è che ξ stesso può essere ottimizzato insieme agli altri parametri, anche se nella pratica molti analisti lo fissano a un valore ragionevole e lo trattano come un iperparametro.

L’effetto del decadimento temporale è spesso più significativo di quello della correzione ρ. Un modello che dà lo stesso peso a una partita di agosto e a una di aprile sta implicitamente assumendo che la squadra non sia cambiata in otto mesi — un’assunzione che nel calcio moderno è quasi sempre falsa. Il decadimento temporale è ciò che rende il Dixon-Coles un modello adattivo, capace di seguire l’evoluzione delle squadre durante la stagione.

Quando conviene il Dixon-Coles rispetto al Poisson semplice

La risposta onesta è: dipende. Se stai costruendo il tuo primo modello e vuoi capire i meccanismi base, il Poisson semplice è più che sufficiente. È trasparente, si implementa in un foglio di calcolo e ti insegna a pensare in termini probabilistici. Passare direttamente al Dixon-Coles senza aver digerito il Poisson è come voler correre prima di camminare.

Se invece hai già esperienza con il Poisson e vuoi migliorare le tue stime sui mercati più sensibili ai punteggi bassi — under 1.5, risultato esatto, parziale/finale — il Dixon-Coles offre un vantaggio misurabile. Proprio perché corregge le probabilità dove il Poisson sbaglia sistematicamente, il modello diventa particolarmente utile per mercati come lo 0-0, l’under 0.5 primo tempo, o le scommesse sul risultato esatto dei primi 45 minuti.

C’è anche una questione di volume. Il Dixon-Coles richiede un dataset ragionevolmente ampio per stimare i parametri con precisione — almeno mezza stagione di dati, idealmente una stagione intera. All’inizio del campionato, quando i dati sono pochi, la differenza tra Poisson e Dixon-Coles è trascurabile e il rischio di overfitting è concreto. Man mano che la stagione avanza e i dati si accumulano, il Dixon-Coles esprime il suo potenziale.

Un ultimo aspetto pratico: l’implementazione. Il Poisson si calcola con una calcolatrice. Il Dixon-Coles richiede codice — Python con SciPy è la scelta più comune, ma anche R con il pacchetto goalmodel funziona bene. Se non hai familiarità con la programmazione, il salto tecnico è significativo. Ma se hai anche solo competenze base di Python, esistono implementazioni open source ben documentate che puoi adattare ai tuoi scopi.

Il paper che ha reso i bookmaker un po’ più nervosi

La storia del modello Dixon-Coles ha un aspetto che raramente viene raccontato. Quando il paper fu pubblicato nel 1997 sulla rivista Journal of the Royal Statistical Society, non fu un evento mediatico. Era un articolo accademico scritto in linguaggio tecnico, letto inizialmente da poche centinaia di statistici. Ma negli anni successivi, con la diffusione di Internet e dei forum di betting quantitativo, il modello divenne uno degli strumenti più replicati e adattati dalla comunità degli scommettitori algoritmici.

I bookmaker, nel frattempo, non restarono a guardare. Le grandi società di scommesse impiegano team di quant che conoscono perfettamente il Dixon-Coles e i suoi derivati. Il vantaggio competitivo del modello non sta più nella sua originalità — è stato assorbito dal mercato — ma nella capacità di chi lo usa di personalizzarlo, di scegliere i dati giusti, di calibrare il decadimento temporale in modo intelligente e di combinarlo con informazioni qualitative che un modello puro non può catturare.

Dixon e Coles dimostrarono qualcosa di più generale di una semplice correzione statistica: mostrarono che anche piccoli miglioramenti sistematici nella stima delle probabilità possono tradursi in profitti nel lungo periodo. Il loro modello non promette ricchezza — nessun modello serio lo fa — ma offre un framework rigoroso per prendere decisioni migliori. In un mondo dove la maggior parte degli scommettitori si affida all’istinto e ai consigli letti su un forum, avere un framework è già un vantaggio competitivo.