[论文解读] Hybrid Machine Learning Forecasts for the UEFA EURO 2020

Andreas Groll, Lars Magnus Hvattum+5 more|arXiv (Cornell University)|Jun 7, 2021

Sports Analytics and Performance参考文献 44被引用 6

一句话总结

该论文提出了一种混合机器学习模型，结合历史比赛中的球队实力估计值、博彩公司共识、球员评分以及社会经济因素，以预测欧洲杯2020年赛事结果。基于2004–2016年欧洲杯数据训练的随机森林模型对赛事进行了10,000次模拟，结果显示当前世界冠军法国队的夺冠概率为14.8%，紧随其后的是英格兰（13.5%）和西班牙（12.3%）。

ABSTRACT

Three state-of-the-art statistical ranking methods for forecasting football matches are combined with several other predictors in a hybrid machine learning model. Namely an ability estimate for every team based on historic matches; an ability estimate for every team based on bookmaker consensus; average plus-minus player ratings based on their individual performances in their home clubs and national teams; and further team covariates (e.g., market value, team structure) and country-specific socio-economic factors (population, GDP). The proposed combined approach is used for learning the number of goals scored in the matches from the four previous UEFA EUROs 2004-2016 and then applied to current information to forecast the upcoming UEFA EURO 2020. Based on the resulting estimates, the tournament is simulated repeatedly and winning probabilities are obtained for all teams. A random forest model favors the current World Champion France with a winning probability of 14.8% before England (13.5%) and Spain (12.3%). Additionally, we provide survival probabilities for all teams and at all tournament stages.

研究动机与目标

• 通过将多种预测信号整合到单一混合模型中，提升足球赛事预测的准确性。
• 通过结合统计排名、博彩公司共识和球员表现指标，弥补单一方法预测的局限性。
• 评估混合随机森林模型在预测足球比赛方面的表现，并与传统的泊松回归模型进行比较。
• 不仅提供各队夺冠概率，还提供所有球队在赛事各阶段的生存概率。
• 利用多样化数据源（包括球队市值、国内生产总值和球员正负评分）以实现更稳健的预测。

提出的方法

• 整合三种核心预测因子：(1) 基于历史比赛结果的泊松回归估计球队实力；(2) 从汇总赔率中推导出的博彩公司共识球队实力；(3) 基于俱乐部和国家队比赛中个人表现的球员正负评分。
• 引入额外协变量，如球队市值、阵容结构以及国家层面的社会经济因素（人口、国内生产总值）。
• 使用2004–2016年欧洲杯数据训练随机森林模型，以预测比赛中进球数，输入为混合特征。
• 将训练好的模型应用于2020年欧洲杯的当前球队数据，进行10,000次赛事模拟，估算比赛结果和晋级概率。
• 使用斯凯勒姆分布从预测的进球分布中计算比赛结果概率（胜/平/负）。
• 采用逆向赛事模拟方法，从汇总赔率中推导出博彩公司共识的球队实力，提升实力估计的稳健性。

实验结果

研究问题

• RQ1 将历史表现、博彩公司赔率和球员评分等多种预测信号相结合，能否提升足球赛事预测的准确性？
• RQ2 球队实力、球员表现和社会经济因素在预测赛事结果中的相对贡献如何？
• RQ3 与传统的泊松回归模型相比，特别是结合集成特征的随机森林混合模型，在足球比赛预测中的表现如何？
• RQ4 各支球队在2020年欧洲杯中的夺冠概率预测结果如何？不同建模方法之间的预测结果有何差异？
• RQ5 各支球队在赛事各阶段的生存概率是多少？这些概率如何反映球队实力和抽签效应？

主要发现

• 混合随机森林模型预测法国队在2020年欧洲杯中夺冠概率最高，达到14.8%，其次为英格兰（13.5%）和西班牙（12.3%）。
• 法国队有68.7%的概率进入半决赛，42.1%的概率进入决赛，显示出强大的赛事韧性。
• 英格兰和西班牙均有约65.3%和63.8%的概率进入半决赛，且具备较强的进入决赛潜力。
• 模型识别出德国和意大利为强劲争冠球队，其夺冠概率分别为10.1%和9.7%，主要基于综合的球队与球员实力。
• 生存概率分析显示，葡萄牙和比利时等球队进入淘汰赛阶段的概率超过80%，但晋级四分之一决赛后的进一步晋级概率较低。
• 引入球员正负评分和社会经济因素显著提升了模型性能，尤其在捕捉冷门潜力和球队动态方面表现突出。