Comment fonctionne vraiment le « superordinateur de football » : explication de la simulation de Monte Carlo

« Un superordinateur prédit le titre de champion de la Premier League. » « Le superordinateur rend son verdict sur la relégation. » Vous connaissez les titres. Ils reviennent semaine après semaine avec une colonne de pourcentages à côté de chaque club, et le samedi, ils sont cités dans les pubs comme des tablettes de la loi.

Il n'y a pas de machine de la taille d'une pièce qui ronronne dans un sous-sol, en fait. Le « superordinateur » du football est un modèle statistique, et la méthode derrière est quelque chose que votre laptop pourrait faire tourner. Le nom est du pur branding. Ce qui se cache dessous est intelligent et étonnamment simple, et nous pensons que chaque parieur devrait le comprendre.

La saison 2026/27 a à peine sept semaines. Elle a démarré le 21 août, Arsenal sont les tenants du titre, et Coventry City, Ipswich Town et Hull City sont montés. C'est exactement à ce moment que les projections commencent à voler, et c'est exactement à ce moment qu'elles sont les plus faciles à mal interpréter.

Restez avec nous et vous saurez comment une simulation de saison est construite, ce que « 35 % de chances de titre » veut vraiment dire, pourquoi le modèle et les bookmakers ne sont pas d'accord, et lequel des deux il faut faire confiance quand.

Quiconque aime un bon pari appréciera le nom. Les méthodes de Monte Carlo sont une famille de calculs fondés sur un échantillonnage aléatoire répété. Le mathématicien polonais Stanislaw Ulam a eu l'idée, et elle porte le nom du casino de Monte Carlo à Monaco, en hommage aux habitudes de jeu de son oncle.

Le truc paraît contre-intuitif : on utilise le hasard pour répondre à une question qui n'a rien d'aléatoire. Certains problèmes sont trop enchevêtrés pour qu'une formule propre existe, et une saison de football en fait partie. Vingt clubs, 380 matchs, chaque résultat qui conditionne tous les autres, les écarts de buts qui départagent les égalités. Personne n'écrit une équation propre pour « quelles sont les chances que Coventry se maintienne ? »

On ne s'embarrasse donc pas. On rejoue la saison au hasard, mais en respectant des probabilités raisonnables, et on le fait des milliers de fois. Ensuite, on compte.

C'est ça le supercalculateur. Tout le reste repose sur la qualité des probabilités d'entrée, et c'est là que se situe le vrai débat.

Chaque simulation commence par un chiffre attribué à chaque équipe. Certains modèles utilisent un seul indice de puissance, comme les cotes Elo, mais la plupart des modèles de football le découpent en force offensive et force défensive. Celles-ci sont issues des résultats passés, de plus en plus des buts attendus, et dans certains modèles d'un mélange avec les cotes du marché.

Les buts attendus sont le pilier moderne. Chaque tir reçoit une probabilité comprise entre 0 et 1 de finir au fond des filets, basée sur la distance, l'angle, la partie du corps utilisée, le type de passe décisive, etc. En additionnant les tirs, on obtient le xG d'une équipe pour le match ou la saison. Une chance de 0,3 xG se concrétise environ 30 % du temps sur de nombreuses répétitions, ce qui ne dit rien sur la réussite d'un tir isolé. Parce qu'il élimine la chance de finition, le xG est un indicateur plus stable du niveau réel d'une équipe que les buts seuls, c'est pourquoi la plupart des indices s'appuient fortement dessus. Notre guide sur la construction d'un modèle de paris sportifs approfondit le choix de vos variables d'entrée.

Le grand-père académique de tout cela est Dixon et Coles, publié dans le Journal of the Royal Statistical Society en 1997. Ils ont ajusté un modèle de régression de Poisson au football anglais en championnat et en coupe de 1992 à 1995 et l'ont testé contre les cotes des bookmakers de la saison 1995/96. L'article visait ouvertement à trouver des failles sur le marché des paris sportifs et a rapporté un rendement positif dans ce test. Les marchés des années 1990 étaient une cible plus facile que ceux d'aujourd'hui, mais les fondations de ce modèle restent intégrées à la plupart des prévisions publiques.

Les indices ne restent pas figés non plus. Un bon modèle les met à jour au fil de la saison, de sorte que les matchs récents comptent plus que ceux du printemps dernier.

Une fois les notes en place, chaque match devient une figure d'objectifs attendus pour les deux équipes, et ces figures se transforment en probabilités via la distribution de Poisson. C'est la méthode standard pour modéliser la fréquence d'un événement rare dans une fenêtre fixe, et les buts dans un match de football s'y prêtent bien.

P(équipe marque k buts) = e^(-λ) × λ^k / k!

λ_domicile = moyenne_ligue × attaque_domicile × défense_adversaire × avantage_domicile
λ_extérieur = moyenne_ligue × attaque_extérieur × défense_domicile ÷ avantage_domicile

La moyenne de la ligue fixe la base. Les 50 premiers matchs de la Premier League de 2026/27 ont produit 141 buts, 2,82 par match, soit environ 1,41 par équipe.

Disons que le modèle prévoit que l'équipe à domicile marque 1,8 et l'équipe extérieure 1,0. L'équipe à domicile ne marque pas avec une probabilité de e^-1,8, soit environ 16,5 %, marque une fois 29,8 % du temps et deux fois 26,8 % du temps. On passe en revue tous les scores de 0-0 à 9-9, on les additionne, et on obtient :

Victoire domicile ≈ 56 %
Nul         ≈ 23 %
Victoire extérieur ≈ 21 %

Cette forme devrait vous être familière. Voici ce que le modèle d'Opta a publié pour une poignée de matchs le 9 octobre 2026 :

Probabilités de victoire Opta au 9 octobre 2026.

Le Poisson simple a un défaut bien connu. Il traite les buts des deux équipes comme indépendants, ce qui sous-estime les nuls à faible score comme le 0-0 et le 1-1. Dixon et Coles ont ajouté une correction pour les quatre scores les plus bas (0-0, 1-0, 0-1 et 1-1), et la plupart des modèles sérieux intègrent désormais quelque chose de similaire.

Voici la partie Monte Carlo. C'est une boucle en cinq étapes :

1. Noter chaque équipe à partir des résultats, des xG et de tout ce qui entre dans le modèle.
2. Fixer les cotes de chaque match restant avec le modèle de match ci-dessus.
3. Simuler chaque match une seule fois au hasard, en tirant un score depuis ces probabilités et en ajoutant les points au classement. Les matchs déjà joués restent exactement tels qu'ils se sont passés.
4. Rejouer toute la saison des milliers de fois. 10 000 simulations est un choix courant, et chaque simulation représente une version possible de la saison 2026/27.
5. Compter. La chance de titre est la part de simulations où une équipe termine en tête. La chance de relégation est la part où elle finit 18e, 19e ou 20e.

Ces pourcents fameux ne sont que des totaux. Gagner le titre dans 4 300 des 10 000 saisons simulées, et vous êtes à 43 %. Avec 50 des 380 matchs joués au 20 septembre, un modèle de Premier League rejoue environ 330 matchs à chaque simulation.

Voici ci-dessous une version fonctionnelle pour un championnat fictif de quatre équipes qui joue à domicile et à l'extérieur. Ça prend une minute à lire :

import random, math
random.seed(7)
teams = {"Reds": (1,9, 0,9), "Blues": (1,7, 1,0), "Whites": (1,4, 1,2), "Greens": (1,2, 1,3)}  # (attack, defence)
AVG, HOME = 1,35, 1,15

def poisson(lam):
    L, k, p = math.exp(-lam), 0, 1,0
    while True:
        p *= random.random()
        if p <= L:
            return k
        k += 1

def play(h, a):
    lam_h = AVG * (teams[h][0] / AVG) * (teams[a][1] / AVG) * HOME
    lam_a = AVG * (teams[a][0] / AVG) * (teams[h][1] / AVG) / HOME
    return poisson(lam_h), poisson(lam_a)

fixtures = [(h, a) for h in teams for a in teams if h != a]
N, titles = 10_000, dict.fromkeys(teams, 0)
for _ in range(N):
    pts, gd = dict.fromkeys(teams, 0), dict.fromkeys(teams, 0)
    for h, a in fixtures:
        x, y = play(h, a)
        gd[h] += x - y; gd[a] += y - x
        if x > y: pts[h] += 3
        elif x < y: pts[a] += 3
        else: pts[h] += 1; pts[a] += 1
    champion = max(teams, key=lambda t: (pts[t], gd[t], random.random()))
    titles[champion] += 1
print({t: titles[t] / N for t in teams})

Lancez-le et les Reds, largement la meilleure équipe sur le papier, remportent le titre dans à peine environ 53 % des saisons. Les Blues en prennent environ 31 %, les Whites autour de 11 % et les Greens environ 4-5 %. Les Reds battent les Greens à domicile 70 % du temps, et sur une saison courte, la meilleure équipe rate encore la moitié du temps. C'est ainsi que le football est bruyant.

Une chance de titre à 25 % ne signifie pas que l'équipe doit gagner. Cela veut dire qu'elle remporte le titre une saison sur quatre.

La plupart des mauvaises lectures commencent juste là. En tête du classement avec 25 %, vous devenez « le choix du supercalculateur », mais trois fois sur quatre, c'est quelqu'un d'autre qui lève le trophée. Une équipe à 10 % de relégation est qualifiée de « en sécurité » dans les titres de presse, mais dans une saison sur dix, c'est exactement cette formation avec exactement ce calendrier qui finit en bas de l'échelle.

Les chiffres initiaux reflètent surtout la saison précédente

Après sept semaines, le vrai classement a à peine bougé. Ce que vous voyez maintenant est surtout la vision a priori du modèle sur chaque équipe, avec quelques résultats mélangés. En avril, ça bascule : les points réels dominent et les ratings ne décident que de la poignée de matchs restants. C'est pour cela que les projections initiales vacillent après chaque journée.

Petites variations de rating, grands écarts

Les totaux de points sont serrés. Ajuster le rating d'une équipe d'une fraction et sa chance de titre peut bouger de plusieurs points de pourcentage, car quelques victoires de plus sur la saison peuvent faire toute la différence entre la première et la troisième place.

Plus de simulations ne réparent pas un mauvais modèle

Le bruit d'échantillonnage diminue quand on ajoute des simulations, et le calcul est assez simple :

erreur type = √( p × (1 − p) ÷ N )

p = 0,5, N = 10,000  →  0,5 point  (environ ±1 point)
p = 0,5, N = 1,000   →  1,6 points  (environ ±3 points)

Mais cela ne couvre que le bruit des dés. Si vous avez les ratings faux, un million de simulations vous donneront une réponse très précise mais fausse. C'est le même piège qui attrape les modèles de paris qui backtestent brillamment puis perdent de l'argent réel.

Rare ne veut pas dire impossible

Leicester City a commencé la saison 2015/16 comme outsider à 5000/1 auprès des bookmakers et a été sacré champion le 2 mai 2016, Jamie Vardy marquant 24 buts en championnat pour Claudio Ranieri sur la route. Une cote de 5000/1 implique environ 0,02 %, ou à peu près deux titres sur 10,000 saisons simulées. Quand un modèle affiche « <1 % », lisez « rare » et jamais « impossible ».

Placez les pourcentages d'un modèle à côté des cotes d'un bookmaker et ils ne correspondent presque jamais. Trois éléments expliquent cet écart.

La marge

Les probabilités d'un modèle s'additionnent exactement à 100 %. Les probabilités implicites d'un bookmaker dépassent ce chiffre, et dans les marchés d'outright majeurs, elles sont souvent largement supérieures à 100 %. C'est ce qu'on appelle le vig. Pour comparer dans les mêmes conditions, convertissez les chiffres du modèle en cotes justes :

cote décimale juste = 1 ÷ probabilité

Man Utd 54,1 %  →  1 ÷ 0,541 ≈ 1,85  (environ 17/20)
Match nul    23,6 %  →  1 ÷ 0,236 ≈ 4,24  (environ 13/4)
Spurs   22,3 %  →  1 ÷ 0,223 ≈ 4,48  (environ 7/2)

Les cotes réelles seront plus courtes que celles-ci sur la plupart des issues, car la marge doit provenir de quelque part. Notre guide sur la suppression de la marge du bookmaker compare quatre méthodes pour l'extraire d'une cote.

Les données d'entrée

Le modèle ne connaît que ce qui est inclus dans ses évaluations. Le marché, lui, sait que le hamstring a été touché à l'entraînement jeudi, que l'entraîneur est à un match du licenciement, qu'il y a une rotation avant une soirée européenne et qu'il y aura une fenêtre de transferts en janvier. Les bookmakers gèrent aussi leur risque et réagissent à l'orientation des mises. Certains modèles publics inversent la logique et intègrent les cotes du marché dans leurs évaluations, copiant ainsi en partie le marché avec lequel ils sont comparés.

Les outsiders

Les bookmakers ont tendance à fixer les cotes des outsiders plus courtes que leur vraie chance. C'est le bien documenté biais favori-outsider, et à lui seul, cela fait souvent paraître les outsiders moins intéressants dans les cotes que ce que le modèle suggère.

On ne doit pas confondre le superordinateur avec un tipster. C'est un excellent outil de vérification de cohérence, pas un oracle. Il excelle pour vous montrer à quelle probabilité réelle un cote vous oblige à croire. Il est en revanche très mauvais pour vous révéler quelque chose que le marché ignore déjà.

Commencez par la conversion. Un modèle qui attribue 4 % de chances de titre à une équipe indique un cote juste de 25,0, soit 24/1. Si le meilleur cote proposé est de 20/1, le bookmaker sous-entend environ 4,8 % (1 ÷ 21). Cet écart se situe bien à l'intérieur de la marge d'erreur du modèle, donc ce n'est pas une mise à passer. N'agissez que lorsque l'écart est supérieur à votre confiance dans les évaluations qui le sous-tendent.

Puis demandez-vous pourquoi cet écart existe. Les modèles et les bookmakers se nourrissent des mêmes résultats publics, donc un désaccord marqué signifie généralement que le modèle a raté quelque chose : une blessure, un nouveau manager, une refonte de l'effectif. Identifiez la raison avant de sortir votre portefeuille.

Semaine après semaine, les chiffres par match sont l'outil le plus utile. Une victoire à domicile à 54,1 % se traduit par un cote juste d'environ 1,85. Si on vous propose un cote nettement plus élevé, cela mérite une analyse sérieuse ; si on vous propose un cote plus court, le modèle vous dit de passer. Pour les marchés sur le titre et la relégation, notre guide des paris sur le titre de Premier League et notre guide des paris sur la relégation passent en détail les prétendants de la saison 2026/27.

Envie d'aller plus loin ? Construisez le vôtre. Le code de démonstration ci-dessus est un point de départ fonctionnel, et notre article sur le fait que l'apprentissage automatique peut battre les bookmakers montre où les modèles sérieux emportent la logique.

Notre verdict : le superordinateur est un traducteur excellent et un oracle médiocre. Utilisez-le pour transformer les opinions en cotes, pas pour choisir les vainqueurs à votre place.

• Convertissez chaque pourcentage en cote équitable avant de consulter un bookmaker. C'est un calcul de dix secondes, et cela empêche un chiffre d'actualités de se faire passer pour une valeur.
• Ignorez les fluctuations de titres en début de saison. En septembre et en octobre, les résultats sont principalement les évaluations de la saison précédente, et le marché a déjà intégré les changements de l'été.
• Ne considérez jamais le pourcentage le plus élevé comme un pari. Un favori à 30 % rate le titre sept fois sur dix, et la cote doit refléter cela.
• Respectez les extrêmes. Une équipe à « 1 % » gagne encore environ 100 fois sur 10 000 saisons. Leicester à 5000/1 est le rappel.
• Méfiez-vous des grandes écarts entre le modèle et le marché. Les petits écarts sont du bruit ; les grands signifient généralement que le modèle a raté les informations d'équipe. Creusez avant de miser.
• Appuyez-vous sur les chiffres par match. Les probabilités d'un match unique sont plus étroites, et beaucoup plus faciles à confronter à une cote, que les parais de fin de saison.

Quoi que vous pariez, misez une unité fixe et raisonnable, et jugez-vous sur une longue série de paris, pas sur un seul week-end.

• Guide des paris sur le titre de la Premier League 2026/27
• Paris sur la relégation en Premier League 2026/27
• Comment construire un modèle de paris sportifs : le guide complet
• L'IA dans les paris sportifs : peut-on battre les bookmakers grâce au machine learning ?
• Les ratings Elo expliqués : comment les maths du chess classent les équipes de football

18+. Jouez de manière responsable. Pour un soutien gratuit et confidentiel, rendez-vous sur BeGambleAware.org.