Cómo funciona 11Stat
11Stat es una plataforma de análisis que modela partidos de fútbol con datos: un flujo de siete etapas recopila datos en bruto, los procesa a través de varios motores de probabilidad independientes, los calibra y solo publica una señal del modelo cuando la concordancia de modelos y la calidad de los datos son suficientes; de lo contrario, indica PASS. Es un resultado de probabilidad transparente, no una garantía de pronóstico.
En resumen: el proceso de 7 pasos
- El proceso está libre de fugas (point-in-time): solo se usan datos anteriores al partido para modelarlo.
- No un solo motor, sino al menos 3 motores independientes (Poisson/Dixon-Coles, Elo/forma, bivariante avanzado) modelan cada partido por separado.
- La calibración corrige las probabilidades en bruto una sola vez; una etiqueta del '70%' significa realmente cerca del 70%.
- El filtro de calidad de datos bloquea las señales altas falsas provenientes de datos faltantes; datos insuficientes = PASS.
- El ROI y la tasa de acierto son únicamente métricas de backtest en papel/simulación, no resultados con dinero real.
Visión general: de los datos a una señal del modelo
11Stat funciona como un flujo auditable. Cada etapa pasa a la siguiente solo cuando supera umbrales de calidad específicos; de lo contrario, el sistema indica PASS (sin señal). El objetivo es producir un pequeño número de señales del modelo limpias y explicables en lugar de una avalancha de señales débiles.
- Ingesta de datos: calendario, historial de forma de los equipos y cuotas del mercado.
- Modelado multimotor: motores de probabilidad independientes modelan el mismo partido por separado.
- Calibración: las probabilidades en bruto se reajustan en el espacio logit.
- Concordancia de modelos y confianza: se mide con qué fuerza coinciden los motores.
- Filtro de calidad de datos: los datos faltantes o escasos detienen la señal.
- Nivel de riesgo: la varianza se etiqueta como baja, media o alta.
- Publicación: una señal del modelo si se superan los umbrales, un PASS si no.
Cualquier cifra de ROI o tasa de acierto mostrada en la plataforma es únicamente una métrica de calidad de backtest simulado en papel, no un resultado con dinero real.
1) Ingesta de datos y modelado multimotor
Para cada partido, el sistema primero obtiene tres tipos de datos de entrada: la forma reciente del equipo (goles marcados y encajados, partidos recientes), los metadatos del encuentro (liga, temporada, hora de inicio) y las cuotas del mercado. Si no hay cuotas disponibles, el partido se descarta directamente.
Luego, el mismo partido es modelado por motores independientes, de modo que el punto ciego de un solo método no determine todo el resultado:
- Motor Poisson / Dixon-Coles: estima las expectativas de goles (una lambda al estilo de los Goles Esperados (xG)), construye una matriz de resultados con una corrección para marcadores bajos y deriva de ella probabilidades de mercado como 1X2, Ambos Marcan (BTTS) y Más/Menos goles.
- Motor Elo / forma: aporta una segunda perspectiva basada en las valoraciones de fuerza de los equipos y la forma actual.
- Motor bivariante avanzado: un enfoque más detallado que modela la relación entre la capacidad goleadora de ambos equipos y los efectos de inflación de ceros.
Cada motor produce sus propias probabilidades para el mismo partido; las etapas posteriores combinan y auditan esos resultados.
2) Calibración: hacer honestas las probabilidades
Las probabilidades en bruto del modelo suelen ser demasiado confiadas. 11Stat las suaviza con un único paso de calibración en el espacio logit. Cada mercado usa una pendiente monótona mantenida ligeramente por debajo de 1, lo que reduce el exceso de confianza sin cambiar el ordenamiento; así, una probabilidad se vuelve más realista en lugar de simplemente menor.
Además, se aplica un factor de calibración específico por liga y por mercado, aprendido del rendimiento histórico. Una decisión de diseño clave: ese factor se aplica exactamente una vez; el error de doble aplicación de versiones anteriores (que reducía las probabilidades dos veces) ya se ha corregido. El resultado es que una etiqueta de "probabilidad del 70%" está ajustada para reflejar genuinamente una confianza de aproximadamente el 70%.
3) Concordancia de modelos, confianza y nivel de riesgo
Las probabilidades calibradas por sí solas no bastan; 11Stat también observa con qué fuerza los motores apuntan en la misma dirección. La concordancia de modelos es la proporción de motores que respaldan un mercado dado. Una alta concordancia eleva la confianza; cuando los motores discrepan, la confianza baja.
La Puntuación de confianza no es un único número, sino una mezcla ponderada de componentes: probabilidad calibrada, concordancia de modelos, ratio de valor frente al mercado, precisión histórica del mercado, fiabilidad de la muestra y control de varianza. Las señales se etiquetan entonces como LOW / MEDIUM / HIGH / ELITE.
- Umbral mínimo de confianza: un pronóstico de cuota alta y baja probabilidad no puede obtener la etiqueta superior solo porque su cuota sea alta; los niveles superiores exigen una probabilidad calibrada mínima.
- Riesgo / varianza: cada partido se marca como de varianza baja, media o alta, y eso afecta directamente a la confianza.
Esto se plantea deliberadamente como un nivel de riesgo medible, en lugar de un lenguaje como "seguro" o "fijo".
4) El filtro de calidad de datos y la salud del mercado
La salvaguarda más importante de 11Stat es el filtro de calidad de datos. Si falta el id de un encuentro, el id de un equipo, la hora de inicio o el flujo de cuotas, el partido se marca como "ERROR DE DATOS / SIN PRONÓSTICO" y no se produce ninguna señal. Esto es lo que impide que pronósticos de alto valor falsos, fabricados a partir de datos escasos, lleguen alguna vez a publicarse.
La plataforma también rastrea un historial de salud móvil por mercado (el ROI simulado, la tasa de acierto y el error de calibración de los últimos periodos). Los mercados que rinden mal de forma sostenida pueden desactivarse automáticamente, mientras que algunos mercados volátiles permanecen desactivados por defecto hasta que se acumule suficiente historial positivo. El sistema solo se pronuncia en los mercados que en ese momento considera fiables.
5) Publicación: una señal del modelo o un PASS
Cuando todas las etapas se superan, el resultado se publica como una señal del modelo. La señal incluye el mercado, la probabilidad calibrada, un nivel de confianza (p. ej. HIGH/ELITE), la concordancia de modelos (p. ej. "3/3 motores"), el nivel de riesgo y una comparación con las cuotas del mercado. Nada de esto es una promesa de que un pronóstico vaya a cumplirse; es un resultado analítico basado en probabilidades.
Si no se cumplen los umbrales, el sistema indica honestamente PASS. Esa es precisamente la diferencia entre los pronósticos de fútbol y el análisis basado en datos: 11Stat no es un vendedor de cupones, sino una herramienta de análisis que muestra cuánta confianza tiene el modelo, y cuándo permanece en silencio. Todo el contenido publicado tiene fines informativos y no constituye consejo de apuestas.
Preguntas Frecuentes
¿Es 11Stat un sitio de apuestas o de cupones?
No. 11Stat es una plataforma de análisis de datos que analiza datos de fútbol con modelos de probabilidad. Su contenido publicado es informativo y no constituye consejo de apuestas ni un cupón.
¿Qué significa exactamente una "señal del modelo"?
Una señal del modelo es un resultado analítico que resume la probabilidad calibrada de un mercado, la concordancia de los motores, el nivel de confianza y el nivel de riesgo. No es una garantía de que un resultado vaya a ocurrir.
¿Por qué algunos partidos no muestran ninguna señal?
Si faltan datos, no hay cuotas disponibles o los motores no concuerdan lo suficiente, el sistema devuelve un PASS y no publica nada. Eso forma parte del diseño para producir pocos resultados, pero limpios.
¿Son las cifras de ROI y tasa de acierto resultados con dinero real?
No. Son únicamente métricas de calidad de backtest simulado en papel y no garantizan el rendimiento futuro.
¿Por qué usar varios motores en lugar de uno solo?
Para reducir el punto ciego de cualquier método individual. Cuando motores independientes concuerdan, la confianza sube; cuando discrepan, la confianza baja y el nivel de riesgo se vuelve más claro.
¿Se evita la fuga de datos (sesgo de anticipación)?
Sí. Cuando se modela un partido, solo se usan datos anteriores a su inicio (point-in-time); esto evita que los resultados del backtest se inflen artificialmente.