Modelo Dixon‑Coles para predicciones de marcador, BTTS y Over/Under en MLS y ligas menores
Un autor publica en Dev.to su implementación del modelo Dixon‑Coles, que genera probabilidades coherentes para 1X2, BTTS y líneas de goles en ocho ligas de fútbol.
El autor de Dev.to describe una versión del modelo Dixon‑Coles que, a diferencia de la típica tabla de tres resultados, entrega simultáneamente probabilidades para 1X2, Over/Under 2.5, Both Teams To Score (BTTS) y la cuadrícula de marcadores exactos. El enfoque parte del clásico modelo Poisson independiente, pero corrige la sub‑estimación de resultados con pocos goles mediante un factor (\rho) que ajusta los cuatro casos de bajo marcador (0‑0, 0‑1, 1‑0, 1‑1).
Con una (\rho) negativa, los empates 0‑0 y 1‑1 aumentan y los resultados 1‑0 / 0‑1 disminuyen, alineando la distribución con la realidad. En un ejemplo con (\lambda_{home}=1.35) y (\lambda_{away}=1.15), el ajuste eleva la probabilidad de empate del 26.8 % al 30.2 %, lo que se traduce en varios puntos de valor esperado al comparar con cuotas de apuestas.
Dos mejoras que el artículo destaca son el time decay y el ajuste de (\rho) por liga. Cada partido recibe un peso (e^{-\xi t}) con (\xi=0.0018), de modo que un resultado pierde la mitad de su influencia tras aproximadamente un año. Después de calibrar ataque, defensa y ventaja de local, el autor estima (\rho) de forma independiente para cada competición; por ejemplo, la Primera A de Colombia muestra (\rho=-0.044) y una ventaja de local de 0.349 (log), mientras que la Eliteserien noruega tiene (\rho=-0.015) y una ventaja de 0.276.
Los datos provienen del endpoint público de ESPN para marcadores, accesible mediante consultas de rango de fechas (recomendado un rango semanal para evitar lagunas). El autor advierte sobre la necesidad de filtrar por status.type.state === "post" y completed: true para distinguir partidos finalizados de programados.
Una corrida de prueba muestra los resultados para Atlanta United vs Orlando City (MLS): (\lambda_{home}=1.57), (\lambda_{away}=1.63), (\rho=-0.040), con probabilidades 36.5 % victoria local, 24.2 % empate, 39.2 % victoria visitante; Over 2.5 goles 62.1 % y BTTS 64.1 %. En la Liga MX, Pumas UNAM vs León genera 60.1 % victoria local, 23.0 % empate y 16.9 % victoria visitante.
El modelo no incorpora variables externas como lesiones o clima y trata a todos los partidos con el mismo peso, salvo la decaída temporal. Para equipos recién ascendidos sin historial, el autor asigna la media de la liga y marca la fila con dataQuality: "partial-new-team".
Todo el proceso está empaquetado como un Apify Actor llamado Soccer Match Predictions API que devuelve una fila por fixture con todas las probabilidades. Se pueden usar los ejemplos públicos para MLS y Liga MX o replicar la lógica con la tabla de ajustes y el endpoint de ESPN.
Este trabajo es útil para desarrolladores que necesiten un motor de predicción de fútbol coherente y reproducible, ya sea para comparar con cuotas de casas de apuestas o para alimentar aplicaciones de análisis deportivo.
