Dixon-Coles 축구 예측 모델의 원리와 한계

1.포아송 승무패 예측의 원리와 저점수 보정

축구 경기 결과를 통계적으로 예측할 때 가장 자주 쓰이는 기초 모델은 포아송 분포입니다. Dixon-Coles 득점 모델은 두 팀의 공격력과 수비력을 측정해 각 팀의 기대 득점(λ)을 구한 뒤, 이를 바탕으로 승·무·패 확률을 계산합니다.

그러나 단순 포아송 모델은 축구의 특성을 완전히 반영하지 못합니다. 축구는 무승부 비중이 높고 저득점 양상이 자주 나타나기 때문에, 단순 계산을 적용하면 무승부 확률이 실제보다 낮게 평가됩니다. Dixon-Coles 모델은 0-0, 1-0, 0-1, 1-1 같은 저점수 영역의 상관관계(ρ)를 보정하여 보다 정교한 3-way 확률을 산출합니다.

2.스탯굿의 Dixon-Coles 적합 방식과 성과

스탯굿은 딥러닝이나 신경망 학습 방식을 사용하지 않습니다. 경기 기록 데이터를 이용해 두 팀의 공격 및 수비 세기를 '통계적으로 적합(fit)'하는 방식을 취합니다. 데이터가 쌓일수록 각 팀의 실력 추정치는 점점 더 안정됩니다. 세부 방법론은 방법론 페이지에서 확인할 수 있습니다.

예측 정확도를 나타내는 RPS(Ranked Probability Score)는 0에 가까울수록(낮을수록) 정확함을 의미합니다. 스탯굿 모델의 MLS RPS는 0.219로, 리그 평균인 0.231보다 낮아 조금 더 정확한 예측 성능을 보입니다. 실제 적용 사례는 MLS 경기 페이지에서 제공되고 있습니다.

3.모델의 한계와 검증 방향

정교하게 보정된 모델이라 할지라도 한계는 명확히 존재합니다. 단순 모델(naive)보다는 우수한 성과를 내지만, 효율적인 실제 축구 시장의 RPS 수준(약 0.19~0.21)과 비교했을 때 명확한 우위를 점할 수 있는지는 아직 불확실합니다.

• 단순 모델 대비 우수하지만 실제 배당 시장 수준과의 격차 존재
• 과장된 예측을 피하기 위해 당분간 '검증 중' 상태로 공개
• 이용자의 객관적 판단을 돕기 위해 시장 확률을 함께 제시

스탯굿은 과장된 수치로 독자를 현혹하지 않으며, 데이터의 한계를 솔직하게 공개하여 가장 정직한 스포츠 통계 정보를 전달하고자 합니다.

본 글은 공개 데이터와 자체 모델을 바탕으로 한 정보 제공 목적이며, 특정 베팅을 권유하지 않습니다. 예측은 빗나갈 수 있으며 투자·베팅의 책임은 본인에게 있습니다. 만 19세 미만 이용 불가. 도박 문제 상담: 한국도박문제예방치유원 1336.