一个悖论：最强的模型，未必最赚钱

很多朋友有一个根深蒂固的观念：预测准确率越高，收米就越稳。

但真实世界远比这个复杂。

今天拆解一篇前沿研究。这篇论文用图神经网络做网球预测，最终准确率 65.7%，被对标庄家 Pinnacle 的 69.0% 甩开一个身位。

然而，这并没有妨碍作者找到赚钱的方法。

这听起来像个悖论，但恰恰揭示了职业玩家和普通玩家的认知分水岭。

---

一、问题的根源：什么叫“非传递性”？

先讲一个经典的名场面。

费德勒、纳达尔、达维登科，三个人之间形成了一个有趣的循环：

• 纳达尔克制费德勒（超高上旋打单反，天然克制）

• 达维登科克制纳达尔（硬地上的平击抢点，让纳达尔的旋转来不及发力）

• 费德勒又克制达维登科（技术全面性碾压）

这就叫“非传递性”：A克B，B克C，但C反过来克A。它不是简单的实力排序，而是风格和技战术的相克。

几乎所有传统的预测模型——Elo、布莱德利-特里模型，包括大多数庄家的底层逻辑——本质上都是给选手一个标量数值（实力分），然后假设分高的赢面大。

当上面那种循环克制出现时，这种假设就崩塌了。

---

二、问题的关键：庄家可能也不是万能的

论文中的一个结论很有启发：

作者设计了一套“风格克制指数”，专门用来量化一场对局的“循环克制程度”。简单来说，这个值越高，意味着这场比赛处在一个越复杂的风格克制网络里——无法用简单的实力对比来解释。

然后，他们把比赛按照克制关系的复杂程度分层分析，发现了一个清晰的趋势：

• 当克制关系简单明了时（简单实力对比），庄家的预测精度远优于这个新模型；

• 当克制关系越来越复杂、形成循环时，所有模型的预测误差都在上升——这很正常，因为越复杂的东西越难判断；

• 但区别在于速度：庄家的误差上升得像火箭，而新模型的误差上升得相对平缓。

在高度循环克制（风格克制指数很高）的对局中，两者之间的差距被大幅缩小。

换句话说：庄家在风格克制问题上，可能低估了不确定性，或者干脆就错了。

---

三、他们是怎么做到的：用“关系”代替“分数”

传统模型的做法是：给每个球员一个分数。

论文中的做法是：构建一张巨大的关系网络，不研究分数，只研究关系。

具体逻辑：

• 每个球员是一个节点。

• 如果A对B的历史数据显示出明显的压制，就从A到B画一条有向边，边的粗细代表压制程度。

• 边的计算是重点：不只看胜负，而是看赢得的局数比例；加上时间衰减（三年前的碾压和上个月的碾压，权重完全不同）；再加上场地迁移系数（红土上的克制在草地上不一定成立）。

• 最后，用一套叫做“磁拉普拉斯”的数学工具来解读这张图——这个工具专门用来捕捉“循环”结构，天然契合分析非传递性的需求。

这样一来，A克B、B克C、C克A这种循环，就完整地被保留在了图里，而不是被一个实力分给抹平。

---

四、最重要的启发：找对问题比找对答案更重要

这篇论文的真正价值，不是它比庄家准——它没有。

价值在于它提出了一个正确的问题：

不要问“谁能赢”，要问“在什么类型的比赛中，庄家最容易犯错？”

通过精细的分层分析，作者找到了这个“错误高发区”：风格克制指数很高的对局。然后，只在这些对局中出手。结果很明显，策略模拟的回报是正向且统计显著的。

这就回到开头的那个悖论：

一个 65.7% 准确率的模型，经过特定场景的筛选，可以比它本身在全部比赛中的表现好得多。

一个 69% 准确率的庄家，在某些特定类型的比赛中，可能并不那么可靠。

真正职业的思维，不是追求一个万能模型，问出一个对所有人都有 70% 胜率的答案。而是找到那个“庄家最不舒服的角落”，然后只在那个角落里下功夫。

---

最后说几句

在足彩分析中，我们常常问：“这场怎么看？”

但也许更好的问题是：“这场比赛属于什么类型？庄家对这种类型的定价能力如何？”

这种思维方式的转变，才是从“凭感觉下注”走向“系统性分析”的关键一步。

我们星球里讨论的内容，就是围绕这个逻辑展开的——不是在每场比赛中找答案，而是先找到那些“值得分析”的比赛。

如果你对这类深度分析和系统性的方法论感兴趣，欢迎加入我们的知识星球。具体入口见公众号菜单栏。