Bayesian adaptive shrinkage 的足球預測模型
球隊換了教練，前鋒離隊，或者防線突然缺少幾名主力，模型應該多快修正對它的評價？如果繼續倚重舊成績，更新可能太慢；如果只追隨最近幾場，又容易把短期波動當成實力轉變。
Roberto Macrì-Demartino、Leonardo Egidi 與 Nicola Torelli 在 Bayesian weighted discrete-time dynamic models for association football prediction 中，把這個問題納入球隊攻守參數的演化過程：每支球隊、每個時段的進攻與防守能力，都可以有不同程度的歷史收縮。
本文以 2026 年 6 月 9 日刊於 Journal of the Royal Statistical Society Series C: Applied Statistics 的期刊版為準。此版本與 2025 年的 arXiv 初稿已有實質差異，以下模型設定、數字及市場比較均按期刊版整理。
一、先分清入球模型與實力更新
圖說：攻守參數決定入球率；歷史資料如何影響這些參數，則由演化先驗控制。大小球計算需要完整的入球聯合分佈。
最簡單的 Double Poisson 模型，分別為主隊與客隊建立入球分佈。主客兩隊的預期入球率，由整體入球水平、主場效應、己方進攻及對手防守參數決定：
log(主隊入球率) = 截距 + 主場效應 + 主隊進攻參數 + 客隊防守參數
log(客隊入球率) = 截距 + 客隊進攻參數 + 主隊防守參數按論文的符號，進攻參數越高，進攻越強；防守參數越低，防守越好。後者在公式中以加號出現，因此防守參數上升代表較容易失球，不能直接把上升曲線理解為防守改善。
作者把更新機制套用於五種模型：Double Poisson、Dixon–Coles、Negative Binomial、Skellam，以及 Zero-inflated Skellam。Dixon–Coles 修正低比分結果的相依性；Negative Binomial 容許入球變異大於平均；Skellam 系列直接處理入球差，零膨脹版本再增加和局的機率質量。
這些是觀測分佈的選擇。本文的核心，是在選定分佈之後，怎樣讓攻守能力隨時間變化。它可以加在 Poisson 模型之上，並非用一種新模型全面取代 Poisson。研究亦沒有與 Elo 或大型 Transformer 直接比較。
二、讓歷史資料的影響隨球隊與時段改變
圖說：兩個先驗均以舊能力為中心。較高精度限制變動，較低精度容許較大偏移；曲線為方法示意，並非球隊後驗估計。
一般 random walk 先驗，會把本期能力放在上期能力附近，再用演化變異決定可以偏移多少。變異小，估計較平滑；變異大，能力可以較快改變。
Owen（2011）的比較版本，所有球隊及攻守能力共用一個固定演化精度。Egidi 等人的版本把進攻與防守分開，但精度仍不隨球隊與時段改變。第三個基線參照 Koopman 與 Lit（2015），在預先指定的休季等斷點擴大演化變異。
Weighted dynamic 方法改用 commensurate priors，按新舊資料是否相容，決定本期應該多接近上期。為免混淆精度與標準差，以下把演化精度記作 q；在期刊版第（10）式的記號中，q 等於 φ 的平方：
β(i,t,k) | β(i,t-1,k), q(i,t,k) ~ Normal(β(i,t-1,k), 1/q(i,t,k))
q(i,t,k) = φ(i,t,k)²
k = 進攻或防守；Normal 的第二項是變異新舊表現相容時，較高精度會把本期能力拉近上期，減少少量新賽果造成的波動。新舊表現出現較大分歧時，較低精度容許估計離開舊水平。這個選擇在後驗推斷中完成，並非先計算一個固定百分比，再把它統一乘到舊比賽的權重上。
同一支球隊的進攻可以出現較大變化，防守仍保持穩定；另一支球隊則可以相反。期刊版的精度有球隊、能力類型與時段三個索引，不能簡化為全聯賽共用的兩條攻守變異曲線。
三、spike-and-slab 怎樣控制收縮
圖說：依期刊版第（11）式及應用設定重繪兩個組成分佈；沒有假設已知的後驗混合比例。
作者為 φ 設定兩個限制在正值範圍的常態分佈。Spike 集中於較大的 φ，對應較高精度及較強的歷史收縮；slab 偏向較小的 φ，容許較大的期際變化。
設定 | 期刊版使用的參數 | 作用 |
Spike | 截斷前常態平均 9，標準差 1.5 | 較強歷史收縮 |
Slab | 截斷前常態平均 0，標準差 3 | 容許較弱收縮及較大偏移 |
球隊混合機率 p | Beta(1,1) | 每支球隊都有需要估計的 spike 機率 |
這裏的 0 是截斷前常態的中心，並不表示截斷後 slab 的平均仍是 0。期刊版對 φ 的設定亦不能直接當成演化變異本身；實際變異還要經過倒數平方轉換。
這套機制不需要先輸入「某天換教練」的標籤，才容許能力偏移。不過，模型主要從比賽結果推斷變化，並不自動知道原因，也不保證換教練後第一場便能判定新實力。傷患、轉會與教練更替，是方法動機，並非論文逐項完成的因果識別。
四、五個球季的資料，如何用來預測
圖說：資料涵蓋 2020/2021 至 2024/2025；主要預測測試為最後兩個球季的下半季。每次以該留出時段之前的資料訓練。
研究使用德甲、英超與西甲，資料橫跨 2020/2021 至 2024/2025。每個球季按賽曆分成兩期，共 10 個時段。德甲與西甲以冬歇期作界線；英超通常以一月冬季轉會窗開始作分界，2022/2023 球季另處理世界盃造成的賽程中斷。
主要實驗分別預測 2023/2024 與 2024/2025 的下半季，使用各預測時段之前的資料作訓練。另有最後一輪比賽的補充測試。因此，「用了五個球季」不等於「五個球季都完成了逐場滾動樣本外測試」，半季分期也不等於每場即時重新估計能力。
期刊版透過 Stan 與 footBayes 進行 MCMC：四條鏈，每條共 4,000 次迭代，前 2,000 次作 warm-up。這是原文設定，本文沒有重新運行整套統計實驗。
主要指標為 Brier score 與 Ranked Probability Score（RPS），均是越低越好。論文的三分類 Brier score，會把主勝、和局、客勝的平方誤差相加後取比賽平均，範圍為 0 至 2；RPS 則考慮三種賽果的次序。比較數值時要使用相同定義，不能把它們直接換算成命中率。
五、預測改善有多大，以及有哪些例外
圖說：重繪期刊版 Table 2 的三組代表模型；每組固定入球分佈，只比較實力演化方式。坐標由零開始，保留改善幅度的實際比例。
以下選取 2024/2025 下半季的三組結果。每一行都在同一入球分佈內比較更新機制，避免把分佈選擇的影響混入：
聯賽及分佈 | Weighted dynamic Brier | Owen Brier | Egidi Brier | Koopman–Lit Brier |
德甲 Skellam | 0.627 | 0.633 | 0.630 | 0.629 |
英超 Double Poisson | 0.576 | 0.578 | 0.579 | 0.579 |
西甲 Dixon–Coles | 0.576 | 0.584 | 0.583 | 0.583 |
對應的 weighted dynamic RPS 分別為 0.213、0.204、0.197。這些結果支持進一步研究彈性更新，但差距需要按實際尺度理解，例如英超 Double Poisson 的 Brier 改善只有數個千分點。
2023/2024 下半季，英超 Dixon–Coles 的 weighted dynamic Brier 為 0.540，對比 Owen 的 0.544、Egidi 的 0.549，以及 Koopman–Lit 的 0.548。兩個半季均有改善例子，但並非每個聯賽、每種分佈都勝出。2024/2025 西甲 Double Poisson 的 weighted dynamic Brier 為 0.583，Egidi 為 0.582；德甲 Zero-inflated Skellam 的 weighted dynamic 為 0.631，兩個較好的比較版本則為 0.629。
攻守軌跡方面，作者以曼聯、基羅納等球隊示範：模型能呈現較明顯的能力變化。這是對已觀測賽果的估計與解讀，不能單憑曲線較敏感，便認定它在轉變發生前已預測到原因。
六、與市場機率比較，結論要收窄
圖說：依期刊版 Table C1 重繪。模型欄為各聯賽、各情境選出的最佳 weighted dynamic Brier，並非一個預先固定的通用配置。
期刊版 Appendix C 把賽前十進制賠率轉成隱含機率，經基本正規化移除 overround，再建立市場平均。兩個下半季的比較如下：
留出時段 | 聯賽 | 最佳 weighted dynamic Brier | 市場平均 Brier |
2023/2024 下半季 | 德甲 | 0.596 | 0.580 |
2023/2024 下半季 | 英超 | 0.540 | 0.513 |
2023/2024 下半季 | 西甲 | 0.580 | 0.572 |
2024/2025 下半季 | 德甲 | 0.627 | 0.621 |
2024/2025 下半季 | 英超 | 0.576 | 0.565 |
2024/2025 下半季 | 西甲 | 0.576 | 0.555 |
六組比較均是市場平均較低，RPS 亦有相同方向。最後一輪的補充測試中，模型在德甲與英超勝過市場平均，但西甲仍以市場平均較佳。單輪結果的樣本較小，不能代替跨球季的穩定性檢驗。
這項研究所支持的，是在比分模型內採用更靈活的更新機制。它沒有證明能持續超越市場，也沒有以交易成本、實際可成交賠率與下注規則證明回報。對已有市場基準的系統，下一步應檢驗模型是否帶來額外資訊。
七、限制：適應得快，仍要付出估計成本
圖說：半季分期、比分資料、比較對象、目標變數與計算成本，均會限制結果的外推範圍。
第一，半季分期較粗。論文沒有獨立證明季初、轉會窗後或換教練後幾場內的更新表現。若改成每週或每場一個時段，參數數量、有效資料量及先驗敏感度都要重新檢查。
第二，主要輸入是歷史賽果，並沒有把傷停、轉會或射門 xG 直接納入這次主模型。模型的 expected goal count，是預測的入球數平均；常見供應商的射門 xG，則是按射門機會估計的入球期望，兩者不能不加說明便視作同一個目標。
第三，主指標針對主勝、和局及客勝機率。本文建議評估大小球（OU），屬後續實驗。尤其 Skellam 直接建模入球差，單靠入球差分佈不足以識別總入球；OU 實驗應選用有完整比分聯合分佈的模型，或另作明確建模。
第四，期刊版加入球隊及時間專屬精度，作者明言計算成本較比較方法有所增加。不能沿用 arXiv 初稿對計算加速的結論。實作時仍要檢查收斂、有效樣本量及預測對先驗的敏感度。
第五，與固定 exponential decay、Elo、Transformer 的優劣，以及實際部署延遲，均未由這組比較直接回答。
八、用 footBayes 設計一個可比較的實驗
圖說：以下為本文提出的實驗設計，尚未執行。固定歷史衰減與自適應演化應透過消融比較，而非同時更換整套模型。
footBayes 已提供 weighted dynamic 設定。期刊版亦連到作者的重製程式庫 BayesWDFM。套件目前文件列出 dynamic_weight = TRUE，並可透過 dynamic_par 指定 spike 與 slab；安裝則需要 R、CmdStanR 與 CmdStan。本文查閱了文件及程式來源，沒有聲稱已在本機完成模型重製。
若目的是檢驗歷史資料怎樣更新，建議先固定資料、主場效應及一個比分分佈，再設四組：
組別 | 更新設定 | 要分辨的影響 |
A | 固定 exponential decay | 現行歷史衰減基線 |
B | 固定但攻守分開的 random walk 變異 | 引入潛在動態能力的作用 |
C | 預先指定休季斷點，擴大演化變異 | 已知日曆斷點的作用 |
D | 球隊、時段及攻守專屬 adaptive shrinkage | 資料驅動歷史借用的額外作用 |
這樣可以避免只比較 A 與 D，卻把 random walk、攻守分拆與自適應收縮的效果全歸於同一因素。若把時間衰減同時加進 D，亦應另列消融，因為那已是多一層設計。
每次預測只使用開賽前可取得的資料，按時間滾動留出；超參數與分期規則只在較早的訓練或驗證資料選定。季初、冬窗後及換教練後的觀察窗口亦應事先訂明，不能看到結果才挑選。
主指標可用 1X2 的 log loss、Brier 與校準；OU 另按固定盤口與相同資訊時點評估。入球均值可與實際入球作誤差比較，但球數波動很大；若再與供應商 xG 比較，應清楚標為另一個代理目標。差異宜報告不確定區間，並檢查是否只由少數球隊或特殊時段帶動。
九、對 AIP：先測更新機制的額外價值
圖說：AIP 的候選研究流程；圖中步驟為本文建議，並非已部署功能或論文已驗證的交易策略。
這篇論文對 AIP 系統 最直接的啟示，是可以先把球隊實力更新拆分為一項獨立實驗。在相同比分分佈與資料條件下，檢驗固定衰減、固定演化與自適應收縮的差別，再看改善是否集中於預先指定的轉變時段。
實驗亦要保留市場機率這個外部基準。原文兩個半季測試中，市場平均的 Brier 與 RPS 均較好；因此，AIP 更需要檢查加入這組實力估計後，能否改善原有預測的樣本外校準或 log loss，而非只與較簡單的內部模型比較。
優先測試這個方向，是一項研究資源安排：它改動的機制較明確，較容易設計消融與追查結果。是否比重新訓練大型 Transformer 更值得投入，仍取決於 AIP 自身數據、運算成本及驗證結果，並非這篇論文已作出的結論。
Reference
Macrì-Demartino, R., Egidi, L., & Torelli, N. (2026). Bayesian weighted discrete-time dynamic models for association football prediction. Journal of the Royal Statistical Society Series C: Applied Statistics, qlag032. 正式期刊版。本文按其方法、Table 1、Table 2 及 Appendix C 撰寫；圖表為重繪或明確標示的概念示意。原文採 CC BY 4.0 授權。
Macrì-Demartino, R., Egidi, L., & Torelli, N. (2025). 同題 arXiv 初稿，2508.05891v1。初稿與正式版的模型、精度層級、驗證情境及計算結論不同，本文沒有混用初稿數字。
Hobbs, B. P., Carlin, B. P., Mandrekar, S. J., & Sargent, D. J. (2011). Hierarchical commensurate and power prior models for adaptive incorporation of historical information in clinical trials. Biometrics, 67, 1047–1056。
Owen, A. (2011). Dynamic Bayesian forecasting models of football match outcomes with estimation of the time varying evolution variance parameter. IMA Journal of Management Mathematics, 22, 99–113。
footBayes 程式庫及 stan_foot 原始碼與參數說明，查閱日期 2026-11-06。
BayesWDFM 作者重製程式庫，包括資料分期、模型估計與市場機率比較程式。
