Sistema di Rating Elo nel Calcio: Come Classificare le Squadre
Prima di diventare uno strumento per i pronostici calcistici, il rating Elo era un metodo per classificare i giocatori di scacchi. Fu inventato dal fisico ungherese-americano Arpad Elo negli anni Sessanta, e la sua eleganza sta nella semplicità: dopo ogni partita, il vincitore guadagna punti e il perdente ne perde, in proporzione alla sorpresa del risultato. Battere il più forte del mondo vale più che battere l’ultimo in classifica, e viceversa.
Adattato al calcio, il sistema Elo offre una classifica dinamica delle squadre che si aggiorna partita dopo partita, catturando la forma recente in un unico numero. Non è un modello previsionale nel senso stretto — non ti dice quanti gol segnerà il Milan sabato — ma ti dà una misura della forza relativa di due avversari, e da quella misura puoi ricavare probabilità di vittoria sorprendentemente affidabili.
Come funziona il calcolo Elo partita dopo partita
Il meccanismo è iterativo. Ogni squadra parte con un punteggio iniziale — convenzionalmente 1500 — e dopo ogni partita il punteggio viene aggiornato in base al risultato. La formula di aggiornamento è: nuovo rating = vecchio rating + K × (risultato effettivo – risultato atteso).
Il fattore K determina quanto velocemente il rating reagisce ai risultati recenti. Un K alto (40-60) rende il sistema più reattivo ma più volatile; un K basso (10-20) lo rende più stabile ma più lento ad adattarsi. Nel calcio, valori tra 20 e 40 sono i più comuni, con varianti che usano K diversi per partite di campionato, coppa nazionale e competizioni internazionali. La FIFA, per il suo ranking mondiale, utilizza un sistema Elo dal 2018 con K che varia in base all’importanza della partita.
Il risultato atteso si calcola con una funzione logistica: E = 1 / (1 + 10^((Rb – Ra) / 400)), dove Ra e Rb sono i rating delle due squadre. Se il Napoli ha un rating di 1750 e il Monza di 1450, la differenza è 300 punti. Il risultato atteso per il Napoli è 1 / (1 + 10^(-300/400)) = 1 / (1 + 10^(-0,75)) = circa 0,85. In altre parole, il modello si aspetta che il Napoli vinca con probabilità dell’85%.
Il risultato effettivo è codificato come 1 per la vittoria, 0,5 per il pareggio e 0 per la sconfitta. Se il Napoli vince, guadagna K × (1 – 0,85) = K × 0,15 punti — pochi, perché la vittoria era attesa. Se il Monza fa l’impresa, guadagna K × (1 – 0,15) = K × 0,85 punti — molti, perché il risultato era sorprendente. Il sistema si autoregola: le sorprese producono aggiornamenti grandi, i risultati scontati producono aggiornamenti piccoli.
Adattamenti specifici per il calcio
Il sistema Elo originale fu pensato per gli scacchi, uno sport senza pareggi (quasi) e senza gol. Adattarlo al calcio richiede alcune modifiche che ne migliorano sensibilmente le prestazioni.
La prima riguarda il margine di vittoria. Nell’Elo classico, vincere 1-0 o 5-0 produce lo stesso aggiornamento. Nel calcio, ignorare il margine significa perdere informazione preziosa: una squadra che domina 4-0 sta comunicando qualcosa di diverso da una che vince con un rigore al 93esimo. La soluzione più diffusa è moltiplicare K per un fattore che cresce con la differenza gol. Eloratings.net, per esempio, usa un moltiplicatore a gradini: 1 per una vittoria con un gol di scarto, 1,5 per due gol, 1,75 per tre gol, e 1,75 + (N-3)/8 per scarti di quattro o più gol (dove N è la differenza gol). Un’alternativa comune è usare una formula logaritmica: moltiplicatore = ln(differenza gol + 1), dove ln è il logaritmo naturale. Una vittoria per 1-0 ha moltiplicatore ln(2) = 0,69, una per 3-0 ha moltiplicatore ln(4) = 1,39 — il doppio del peso.
La seconda modifica è il vantaggio casalingo. Le squadre che giocano in casa vincono significativamente più spesso di quelle in trasferta, e questo deve riflettersi nel risultato atteso. L’approccio standard è aggiungere un bonus fisso al rating della squadra di casa prima di calcolare il risultato atteso — tipicamente tra 60 e 100 punti Elo, equivalente a circa il 5-8% di probabilità in più. Il valore esatto varia per campionato: in Serie A il vantaggio casalingo è storicamente più marcato che in Premier League, e in epoca post-Covid è diminuito ovunque senza però scomparire del tutto.
La terza modifica, meno comune ma interessante, è il decadimento stagionale. All’inizio di ogni nuova stagione, i rating vengono compressi verso la media (regressione verso la media), per tenere conto dei cambiamenti nelle rose e nella dirigenza tecnica. Una formula tipica è: rating inizio stagione = rating fine stagione × 0,75 + 1500 × 0,25. Questo impedisce che una squadra retrocessa in Serie B mantenga un rating gonfiato dalla stagione precedente in un contesto completamente diverso.
Dall’Elo alle probabilità di vittoria
Una volta costruita la classifica Elo aggiornata, il passaggio alle probabilità è diretto. La stessa funzione logistica usata per calcolare il risultato atteso fornisce direttamente la probabilità di vittoria della squadra più forte. Se la differenza di rating è 200 punti, la probabilità per la squadra favorita è circa il 76%. Se è 400 punti, sale al 91%.
Per ottenere le probabilità del mercato 1X2 bisogna però separare la probabilità di pareggio da quelle di vittoria. L’Elo base non distingue tra pareggio e sconfitta — entrambi contribuiscono al risultato atteso come 0,5 e 0. Una soluzione pratica è calibrare empiricamente la quota di pareggi in funzione della differenza di rating: partite tra squadre con rating simile (differenza inferiore a 50 punti) finiscono in pareggio circa il 28-30% delle volte nei campionati europei, mentre partite molto sbilanciate (differenza superiore a 300 punti) vedono il pareggio scendere sotto il 20%.
Il modo più robusto per gestire questa calibrazione è usare una regressione logistica ordinale sui dati storici del campionato che ti interessa. Prendi tutte le partite degli ultimi tre-cinque anni, calcoli la differenza Elo per ciascuna, e stimi un modello che predica la probabilità di vittoria casa, pareggio e vittoria trasferta in funzione di quella differenza. Il risultato è una curva calibrata che puoi usare direttamente per convertire qualsiasi differenza Elo in un set di tre probabilità. Non è complicato da implementare in Python, e una volta fatto hai uno strumento che si aggiorna automaticamente partita dopo partita.
Punti di forza e limiti del sistema Elo
Il primo grande vantaggio dell’Elo è la semplicità computazionale. Non servono librerie di ottimizzazione, dataset enormi o potenza di calcolo significativa. Un foglio Excel con qualche formula è sufficiente per mantenere un rating Elo aggiornato per un intero campionato. Questo lo rende accessibile anche a chi non ha competenze di programmazione, a differenza del Dixon-Coles che richiede ottimizzazione numerica.
Il secondo vantaggio è la natura dinamica del rating. Mentre il Poisson e il Dixon-Coles stimano i parametri su un dataset fisso (la stagione corrente, per esempio), l’Elo si aggiorna dopo ogni partita e cattura immediatamente i cambiamenti di forma. Una squadra che vince cinque partite consecutive vedrà il suo rating salire in modo visibile, riflettendo il momentum positivo. Questo lo rende particolarmente utile a metà stagione, quando la forma recente è un predittore migliore delle medie stagionali.
Il limite principale dell’Elo è che lavora con un singolo numero per squadra. Non distingue tra attacco e difesa, non tiene conto dello stile di gioco, non considera se una squadra vince segnando molto o subendo poco. Due squadre con lo stesso rating Elo possono avere profili completamente diversi — una offensiva e vulnerabile, l’altra compatta e cinica — e il modello le tratta come equivalenti. Per i mercati over/under o per le scommesse su gol totali, l’Elo da solo è insufficiente.
Un altro limite è la sensibilità al parametro K. Un K troppo alto rende il sistema iper-reattivo e rumoroso — una singola sconfitta a sorpresa fa crollare il rating più del dovuto. Un K troppo basso rende il sistema pigro e incapace di registrare i reali cambiamenti di livello. La scelta di K è sempre un compromesso, e non esiste un valore universalmente ottimale. La pratica migliore è testare diversi valori su dati storici e scegliere quello che minimizza l’errore previsionale — un processo di backtesting che è buona norma per qualsiasi modello.
Il termometro che non fa la diagnosi
C’è una metafora che cattura bene il ruolo dell’Elo nei pronostici calcistici: è un termometro, non una diagnosi. Ti dice che una squadra è “calda” (rating alto e in crescita) o “fredda” (rating basso e in calo), ma non ti spiega perché, né ti suggerisce automaticamente su cosa scommettere.
Eppure, proprio questa semplicità è il suo punto di forza come strumento complementare. L’Elo funziona come un filtro iniziale: prima di analizzare una partita nel dettaglio con Poisson o Dixon-Coles, puoi guardare la differenza Elo per capire se vale la pena indagare. Se il tuo modello più complesso stima una probabilità del 55% per la vittoria esterna e l’Elo dice che la squadra ospite ha 200 punti in meno, hai un segnale di dissonanza che merita attenzione.
I siti come ClubElo.com e Eloratings.net mantengono classifiche Elo aggiornate per tutti i principali campionati, con serie storiche che risalgono a decenni fa. Sono risorse gratuite e trasparenti nella metodologia. Ma il vero vantaggio viene dal costruire il proprio rating, perché puoi personalizzare K, il bonus casalingo e il decadimento stagionale per il campionato specifico su cui scommetti. Un Elo tarato sulla Serie A con dati dal 2015 in avanti è più utile di un Elo generico calcolato con parametri pensati per la Premier League.
Il rating Elo non vincerà mai un concorso di eleganza matematica. Ma la sua longevità — oltre sessant’anni di applicazioni in sport, giochi e persino nel ranking dei ristoranti — dice qualcosa sulla solidità dell’idea di fondo: misurare la forza attraverso i risultati, pesando le sorprese più delle conferme.
