Come funziona davvero il 'Supercomputer del Calcio': la simulazione Monte Carlo spiegata

«Il supercomputer prevede la corsa al titolo in Premier League». «Il supercomputer pronuncia la sentenza sulla retrocessione». Conosce bene i titoli. Appaiono settimana dopo settimana con una colonna di percentuali accanto a ogni squadra, e per il sabato vengono citati al pub come tavole di pietra.

Non c'è però una macchina delle dimensioni di una stanza che ronzava in un seminterrato. Il "supercomputer" del calcio è un modello statistico, e il metodo che lo sta dietro è qualcosa che il tuo laptop potrebbe eseguire. Il nome è puro marketing. Quello che c'è sotto è intelligente e sorprendentemente semplice, e pensiamo che ogni scommettitore dovrebbe capirlo.

La stagione 2026/27 ha circa sette settimane. È iniziata il 21 agosto, l'Arsenal è il detentore del titolo e Coventry City, Ipswich Town e Hull City sono saliti. È esattamente il momento in cui le previsioni iniziano a volare, e esattamente il momento in cui è più facile fraintenderle.

Resta con noi e saprai come viene costruita una simulazione di stagione, cosa significa davvero una "probabilità di titolo del 35%", perché il modello e i bookmaker non si mettono d'accordo e a quale dei due dare fiducia e quando.

Chi ama una scommessa apprezza il nome. I metodi di Monte Carlo sono una famiglia di calcoli basati su campionamenti casuali ripetuti. Il matematico polacco Stanislaw Ulam ha ideato il concetto, e prende il nome dal Casinò di Monte Carlo a Monaco, un omaggio alle abitudini da giocatore dello zio.

Il trucco sembra controsenso: usi il caso per rispondere a una domanda che non è affatto casuale. Alcuni problemi sono troppo intricati per una formula precisa, e una stagione di calcio è uno di questi. Venti squadre, 380 partite, ogni risultato che si ripercote su tutti gli altri, i piazzamenti definiti dalla differenza reti. Nessuno sta scrivendo un'equazione pulita per "qual è la probabilità che il Coventry si salvi?"

Quindi non ti preoccupi. Simuli la stagione al caso, ma secondo probabilità sensate, e lo fai migliaia di volte. Poi conti.

Questo è il supercomputer. Tutto il resto riguarda quanto sono accurate le probabilità di partenza, ed è lì che si gioca la vera partita.

Ogni simulazione parte con un numero per ogni squadra. Alcuni modelli usano un unico rating di forza, come i rating Elo, ma la maggior parte dei modelli calcistici lo divide in forza offensiva e forza difensiva. Questi derivano dai risultati passati, sempre di più dai gol attesi e, in alcuni modelli, da una combinazione con le quote di mercato.

I gol attesi sono la spina dorsica moderna. Ogni tiro riceve una probabilità tra 0 e 1 di andare a segno, basata su distanza, angolo, parte del corpo, tipo di assist e così via. Sommando i tiri si ottiene l'xG della squadra per la partita o per la stagione. Una chance di 0,3 xG va a segno circa il 30% delle volte su molte ripetizioni, il che non dice nulla su quale singolo tiro andrà a segno. Poiché elimina la fortuna nel tiro, l'xG è un indicatore più stabile del livello reale di una squadra rispetto ai soli gol, quindi la maggior parte dei rating si appoggia pesantemente a questo. La nostra guida alla creazione di un modello di scommesse sportive approfondisce la scelta dei tuoi input.

Il nonno accademico di tutto questo è Dixon e Coles, pubblicato nel Journal of the Royal Statistical Society nel 1997. Hanno applicato un modello di regressione di Poisson al calcio di campionato e coppa in Inghilterra dal 1992 al 1995 e lo hanno testato contro le quote dei bookmaker del 1995/96. Il paper era apertamente dedicato a trovare buchi nel mercato delle scommesse calcistiche e riportava un rendimento positivo in quel test. I mercati degli anni '90 erano un obiettivo più morbido di quelli di oggi, ma le ossa di quel modello sono ancora presenti nella maggior parte delle previsioni pubbliche.

I rating non restano fermi, nemmeno. Un buon modello li aggiorna man mano che la stagione avanza, in modo che le partite recenti pesino di più rispetto a quelle della scorsa primavera.

Con le valutazioni a posto, ogni partita diventa un numero di gol attesi per entrambe le squadre, e da lì si passa alle probabilità attraverso la distribuzione di Poisson. È il metodo standard per modellare la frequenza con cui si verifica un evento raro in una finestra di tempo fissa, e i gol in una partita di calcio si adattano bene a questo schema.

P(una squadra segna k gol) = e^(-λ) × λ^k / k!

λ_casa = media_campionato × attacco_casa × difesa_trasferista × vantaggio_casa
λ_trasferista = media_campionato × attacco_trasferista × difesa_casa ÷ vantaggio_casa

La media del campionato stabilisce la base. Le prime 50 partite della Premier League 2026/27 hanno prodotto 141 gol, 2,82 a partita, o circa 1,41 per squadra.

Supponiamo che il modello preveda 1,8 gol per la squadra di casa e 1,0 per quella ospite. La squadra di casa non segna con una probabilità di e^-1,8, circa 16,5%, segna una volta il 29,8% delle volte e due volte il 26,8% delle volte. Calcolando tutte le combinazioni di punteggio da 0-0 a 9-9, sommando i valori, si ottiene:

Vittoria casa  ≈ 56%
Pareggio      ≈ 23%
Vittoria trasf. ≈ 21%

Questa forma dovrebbe sembrarti familiare. Ecco cosa ha pubblicato il modello di Opta per alcune partite il 9 ottobre 2026:

Probabilità di vittoria Opta al 9 ottobre 2026.

La Poisson semplice ha un difetto famoso. Tratta i gol delle due squadre come indipendenti, il che sottostima i pareggi a basso punteggio come 0-0 e 1-1. Dixon e Coles hanno aggiunto una correzione per le quattro combinazioni di punteggio più basse (0-0, 1-0, 0-1 e 1-1), e la maggior parte dei modelli seri ora include qualcosa di simile.

Ecco la parte Monte Carlo. È un ciclo in cinque passi:

1. Valutare ogni squadra in base ai risultati, agli xG e a tutto il resto che si inserisce.
2. Pricing di ogni partita restante con il modello di match sopra.
3. Giocare ogni partita una volta a caso, estraendo un punteggio da quelle probabilità e aggiungendo i punti alla classifica. Le partite già giocate restano esattamente come sono andate.
4. Ripetere tutta la stagione migliaia di volte. 10.000 run è una scelta comune, e ogni run è una possibile versione del 2026/27.
5. Contare. La probabilità di titolo è la percentuale di run in cui una squadra è finita prima. La probabilità di retrocessione è la percentuale in cui è finita 18ª, 19ª o 20ª.

Quelli famosi percentuali sono solo conteggi. Vinci la lega in 4.300 su 10.000 stagioni simulate e sei al 43%. Con 50 delle 380 partite giocate entro il 20 settembre, un modello della Premier League ricalca circa 330 partite a ogni run.

Di seguito c'è una versione funzionante per una lega fittizia di quattro squadre che gioca in casa e in trasferta. Ci vuole un minuto per leggerla:

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)}  # (attacco, difesa)
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})

Eseguilo e i Reds, comodamente la squadra migliore sulla carta, vincono il titolo in solo circa il 53% delle stagioni. I Blues prendono circa il 31%, i Whites intorno all'11% e i Greens circa il 4-5%. I Reds battono i Greens in casa il 70% delle volte, e su una stagione corta la squadra migliore resta fuori quasi la metà delle volte. È così rumoroso che è il calcio.

Una probabilità di titolo del 25% non significa che la squadra debba vincere. Significa che vince un campionato su quattro.

La maggior parte dei fraintendimenti parte proprio da qui. Se una squadra è in testa alla lista con il 25%, diventa "la scelta del supercomputer", ma tre volte su quattro è qualcun altro a sollevare il trofeo. Una squadra con il 10% di possibilità di retrocessione viene definita "al sicuro" dai titoli di coda, ma in una stagione su dieci quella stessa squadra, con quel stesso calendario, va in Serie B.

I numeri iniziali riflettono soprattutto la stagione scorsa

A sette giornate, la classifica reale ha appena fatto muovere l'ago. Quello che stai guardando ora è per lo più la visione a priori del modello su ogni squadra, con un po' di risultati mescolati. Ad aprile il quadro si ribalta: i punti effettivi dominano e le valutazioni decidono solo per le poche partite rimaste. È per questo che le previsioni iniziali oscillano di continuo dopo ogni giornata.

Piccoli cambiamenti nelle valutazioni, grandi oscillazioni

I punteggi totali si raggruppano strettamente. Modificare la valutazione di una squadra di una frazione può spostare la sua probabilità di titolo di diversi punti percentuali, perché un paio di vittorie in più nel corso di una stagione può essere l'intera differenza tra il primo e il terzo posto.

Più simulazioni non risolvono un modello scadente

Il rumore di campionamento diminuisce quando aggiungi simulazioni, e la matematica è abbastanza semplice:

errore standard = √( p × (1 − p) ÷ N )

p = 0,5, N = 10,000  →  0,5 punti  (circa ±1 punto)
p = 0,5, N = 1,000   →  1,6 punti  (circa ±3 punti)

Ma questo copre solo il rumore derivante dai dadi. Se sbagli le valutazioni, un milione di simulazioni ti darà una risposta errata molto precisa. È la stessa trappola che colpisce i modelli di scommesse che funzionano benissimo nei backtest e poi perdono soldi reali.

Raro non significa impossibile

Il Leicester City ha iniziato il 2015/16 come sfavoriti a 5000-1 con i bookmaker ed è stato confermato campione il 2 maggio 2016, con Jamie Vardy che ha segnato 24 gol in campionato per Claudio Ranieri. Una quota di 5000-1 implica circa lo 0,02%, o circa due titoli in 10,000 stagioni simulate. Quando un modello stampa "<1%", leggilo come "raro" e mai come "impossibile".

Metti i percentuali di un modello accanto alle quote di un bookmaker e raramente combineranno. Tre fattori spiegano la differenza.

Il margine

Le probabilità di un modello sommano esattamente al 100%. Le probabilità implicite di un bookmaker superano il 100%, e nei mercati principali spesso di molto. Questo è l'overround. Per confrontare a parità di condizioni, converti i numeri del modello in quote fair:

quote decimali fair = 1 ÷ probabilità

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

Le quote reali saranno più basse di quelle su molti esiti, perché il margine deve venire da qualche parte. La nostra guida su come rimuovere il margine del bookmaker confronta quattro metodi per estrarlo da una quota.

Gli input

Il modello sa solo ciò che è nei suoi rating. Il mercato sa del infortunio al tendine della coscia in allenamento giovedì, dell'allenatore che è a una sconfitta dal licenziamento, della rotazione prima di una notte europea e della finestra di gennaio che non è ancora accaduta. I bookmaker gestiscono anche il rischio e reagiscono a dove va il denaro. Alcuni modelli pubblici rovesciano la logica e mescolano le quote di mercato nei loro rating, copiando così in parte il mercato con cui vengono confrontati.

I longshots

I bookmaker tendono a quotare i longshots più basse della loro vera probabilità. È il ben documentato bias favorito-longshot, e da solo significa che gli outsider spesso sembrano meno value nel book di quanto suggerisca il modello.

Lo si usa come check di sanità, non come tipster. È brillante nel mostrarti quanto probabilita ti sta chiedendo di credere in un prezzo. È scarso nel dirti qualcosa che il mercato non sa già.

Parti dalla conversione. Un modello che assegna a una squadra il 4% per il titolo sta dicendo che le quote giuste sono 25,0, o 24/1. Se la migliore quota in giro è 20/1, il bookmaker sta implicando circa il 4,8% (1 ÷ 21). Quel gap è ben dentro l'errore del modello, quindi non è una scommessa. Agisci solo quando il gap è più grande della tua fiducia nelle valutazioni dietro di esso.

Poi chiedi perché quel gap esiste. Modelli e bookmaker si nutrono degli stessi risultati pubblici, quindi un forte disaccordo di solito significa che il modello sta perdendo qualcosa: un infortunio, un nuovo allenatore, una rivoluzione della rosa. Trova la ragione prima di trovare il portafoglio.

Settimana per settimana, i numeri per singola partita sono lo strumento più utile. Una vittoria casalinga al 54,1% ha una quota giusta di circa 1,85. Se ti viene offerta qualcosa comodamente più alta, merita un'occhiata attenta; se ti viene offerta più corta, il modello ti sta dicendo di passare. Per i mercati sul titolo e sulla salvezza in sé, la nostra guida alle scommesse sul titolo della Premier League e la guida alle scommesse sulla salvezza passano in dettaglio i pretendenti del 2026/27.

Vuoi andare oltre? Costruiscila tu. Il codice giocattolo sopra è un inizio funzionante, e il nostro articolo su se il machine learning può battere i bookmaker mostra dove i modelli seri portano la cosa oltre.

Il nostro verdetto: il supercomputer è un ottimo traduttore ma un pessimo oracolo. Usalo per convertire le opinioni in quote, non per scegliere i vincitori al posto tuo.

• Converti ogni percentuale in quote corrette prima di guardare le quote dei bookmaker. È un calcolo di dieci secondi, che impedisce a un numero d'effetto di spacciarsi per valore.
• Ignora le oscillazioni del titolo all'inizio della stagione. A settembre e ottobre i risultati sono in gran parte le valutazioni della stagione scorsa, e il mercato ha già inserito nelle quote i cambiamenti estivi.
• Non trattare mai la percentuale più alta come una scommessa sicura. Un favorito al 30% manca il titolo sette volte su dieci, e la quota deve riflettere questo.
• Rispetta le code. Una squadra al "1%" vince comunque circa 100 stagioni su 10.000. Leicester a 5000/1 è il promemoria.
• Diffida dei grandi divari tra modello e mercato. I piccoli divari sono rumore; i grandi di solito significano che il modello ha perso di vista le news sulle squadre. Scava prima di scommettere.
• Affida i numeri per singola partita. Le probabilità per singola partita sono più precise e molto più facili da confrontare con una quota rispetto ai titoli di intera stagione.

Sia che scommetti su qualsiasi cosa, usa una puntata fissa e sensata e giudicati su un lungo periodo di scommesse, non su un singolo weekend.

• Guida alle scommesse sul titolo della Premier League 2026/27
• Scommesse sulla retrocessione in Premier League 2026/27
• Come costruire un modello di scommesse sportive: la guida completa
• L'IA nelle scommesse sportive: il machine learning può battere i bookmaker?
• Spiegazione dei rating Elo: come la matematica degli scacchi classifica le squadre di calcio

18+. Scommetti in modo responsabile. Per un supporto gratuito e riservato, visita BeGambleAware.org.