1) 数据与口径
概率模型的上限由数据质量决定。我们强调口径统一、可追溯与时间一致性，避免“用未来信息解释过去”。
数据范围与粒度
- 比赛级数据（对阵、比分、阶段、主客/中立场）
- 衍生统计（射门、控球、预期进球等）按可用性分层使用
- 时间戳对齐：训练只使用比赛发生前可获得的特征
清洗与一致性
- 缺失值分类型处理：删除、插补或降级到更稳健的特征集合
- 统一口径：加时/点球与常规时间输出分开建模与呈现
- 异常检测：极端比分、红牌等作为可解释因素而非噪声硬删
输出口径说明（阅读预测结果前建议先看）
同一场比赛可以对应不同口径的概率：常规时间胜平负、含加时晋级概率、点球胜率等。页面会明确标注口径，避免误读。
2) 特征与强度指标
将“球队强弱”拆成多个可解释维度：进攻、 防守、主场/中立场影响、赛程与近期状态，并通过衰减机制平衡“长期实力”和“短期波动”。
Elo 变体（强度先验）
使用可更新的等级分作为整体实力先验，并针对比赛重要性、对手强度与时间衰减做加权。 这样在数据稀疏（例如部分国家队一年比赛较少）时也能保持稳定。
- 对手校正：强队赢弱队不等于强队赢强队
- 时间衰减：较新的比赛权重更高
- 场地因素：主场/中立场单独编码
xG 与进球生成过程（效率拆分）
进球是离散事件，背后由机会质量与转化效率共同决定。若数据可得，我们使用 xG 类特征来区分“创造机会”和“把握机会”。
进攻侧
机会质量、射门结构、定位球占比、近期产出趋势。
防守侧
限制对手机会、压迫强度代理、失球波动与回归均值。
特征工程原则（避免“看起来很准”的陷阱）
先可用后更好
优先使用稳定、跨赛季可持续获取的特征。
防泄漏
任何赛后统计不得回流到赛前预测输入。
简化优先
能解释就不堆叠；提升可解释性与泛化能力。
3) 回归与泊松建模
我们将“比分生成”与“结果概率”拆开处理：先建模双方进球强度（期望进球），再推导比分分布与胜平负概率，并按口径输出。
多元回归（解释型框架）
回归用于量化特征对目标的边际贡献，并支持稳健的正则化与置信区间估计。 在足球场景中，回归常用于：胜率差异的解释、强度分解、以及作为更复杂模型的校准层。
- 自变量：强度、场地、赛程、近期状态等
- 正则化：降低过拟合，提升跨赛事泛化
- 稳定性：特征与系数随时间滚动监控
泊松/强度模型（比分分布）
进球数是典型离散计数过程。我们用双方期望进球（λ）刻画进攻/防守强度， 再组合得到比分概率矩阵，并汇总为胜平负与大小球等衍生概率。
从 λ 到概率输出
先估计主队与客队（或A/B队）各自的进球强度 → 计算不同比分的概率 → 汇总得到胜/平/负与常见盘口指标。
关键假设与边界
独立性与分布选择
泊松模型常假设进球事件近似独立且在一定时间窗口内强度稳定。 在红牌、领先保守等情况下会偏离，我们通过特征与校准缓解。
小样本与极端波动
淘汰赛单场方差极大。我们在输出中强调“不确定性”，并在模拟阶段用大量重复试验估计区间与尾部概率。
你会在页面上看到哪些模型结果？
胜平负概率
基于比分分布汇总，并可做概率校准。
比分与进球期望
输出常见高概率比分与双方 λ。
不确定性提示
在关键场次强调波动来源与风险点。
4) 校准、回测与指标
好的概率不只要“猜对”，还要“概率值可信”。我们用滚动回测评估泛化，并用校准方法让 60% 的预测真的约 60% 发生。
Brier 分数
直接衡量概率预测的误差，越低越好。适合比较不同模型/不同特征集的整体质量。
校准曲线
将预测概率分桶，比较“预测频率”与“实际发生率”。若偏差显著，则需要校准或调整先验。
滚动回测
按时间切分训练/验证，模拟真实上线环境，避免“同一时期互相泄漏”的虚高表现。
透明度：我们如何解释模型误差
可解释误差
如红牌、伤停突发、阵容大轮换、天气场地变化等。我们倾向于标注风险，而不是过度“补偿式拟合”。
不可避免误差
足球是低比分运动，随机性本就很强。模型目标是“长期概率可用”，而非对单场给出确定答案。
5) 蒙特卡洛推演（淘汰赛与夺冠概率）
当赛事结构复杂（小组赛积分、同分规则、淘汰赛对阵树）时，解析计算很难覆盖所有路径。模拟能把“每场概率”转成“晋级/夺冠概率”。
推演流程（从单场到整届赛事）
- 1 为每场潜在对阵生成胜平负与比分分布（按口径区分常规时间/晋级）。
- 2 按规则模拟小组赛：积分、净胜球、相互战绩等，得到出线队列。
- 3 进入淘汰赛：逐轮抽样比赛结果，推进对阵树直到冠军产生。
- 4 重复大量次，统计各队到达每一轮的频率，得到晋级/夺冠概率与区间。
为什么模拟值得看？
- 把单场波动汇总成“路径风险”
- 直观看到最常见对阵与关键拐点
- 适合解释：为何强队仍可能早早出局
输出解读：概率不是承诺
“夺冠概率 18%”表示在相同假设下，重复很多届类似赛事，约 18% 的情况下该队最终夺冠。 它不是保证，也不等同于“必然最强”。
常见问题（简答）
为什么强队也会被预测为“没那么稳”？
低比分运动决定了单场方差大；同时淘汰赛对阵路径可能很“硬”。模拟把这些因素合并进最终概率。
预测会更新吗？会“追热”吗？
会随新比赛与可用信息更新，但会通过时间衰减与正则化避免对短期极端结果过度反应。
如何验证这些方法有效？
通过滚动回测、概率校准与历史对比，评估长期稳定性。你可以在“历史回测”页面查看更直观的对照结果。