Modelo Elo para Apuestas NBA: Construcción y Uso Práctico
Cargando...
Mi primer modelo Elo era embarazosamente simple: una hoja de cálculo que actualizaba ratings después de cada partido usando la fórmula original de Arpad Elo. Funcionaba mejor que mis corazonadas, pero no mucho mejor que las propias líneas de las casas. Tardé dos temporadas en entender que el poder del Elo no está en aplicarlo tal cual, sino en adaptarlo a las particularidades del baloncesto profesional.
El sistema Elo fue diseñado para el ajedrez, un juego de suma cero entre dos jugadores sin factor suerte. El baloncesto es otra cosa: equipos de quince jugadores, varianza en el tiro, lesiones, días de descanso, viajes. Trasladar el Elo directamente ignora todo lo que hace único al deporte.
Lo que te voy a explicar es cómo construir un modelo Elo modificado que incorpore elementos específicos de la NBA, incluyendo la integración con Net Rating y ajustes para el contexto de playoffs. No es el único enfoque válido, pero es el que me ha funcionado durante años de prueba y error.
Qué Es el Rating Elo y Cómo Aplicarlo a NBA
Arpad Elo creó su sistema en los años 60 para clasificar jugadores de ajedrez. La idea central era elegante: tu rating refleja tu habilidad, y cuando ganas contra alguien con rating superior al tuyo, ganas más puntos que cuando vences a alguien inferior. El sistema se autocorrige con cada resultado.
En baloncesto, cada equipo comienza con un rating base —típicamente 1500— y ese número sube o baja después de cada partido según el resultado y la diferencia de ratings entre los equipos. Si un equipo con rating 1600 vence a uno con 1400, gana pocos puntos porque era el resultado esperado. Si pierde, cae significativamente porque sucedió lo inesperado.
La fórmula central calcula primero la probabilidad esperada de victoria basándose en la diferencia de ratings. Esa probabilidad esperada se compara con el resultado real —1 para victoria, 0 para derrota— y la diferencia se multiplica por un factor K que determina cuánto peso tiene cada partido. El nuevo rating es el anterior más ese ajuste.
El factor K es crucial y donde muchos modelos fallan. Un K alto hace que el sistema reaccione rápidamente a resultados recientes, lo que puede capturar cambios reales en la calidad de un equipo pero también introducir ruido excesivo. Un K bajo produce ratings más estables pero tarda en reconocer mejoras o declives genuinos.
Para NBA, he encontrado que un K dinámico funciona mejor que uno fijo. Uso valores más altos al principio de temporada —cuando los equipos están estableciendo su identidad— y valores más bajos hacia el final, cuando la muestra de partidos es suficiente para que los ratings reflejen la calidad real. En playoffs, reduzco K aún más porque cada serie es un enfrentamiento específico donde los ajustes tácticos pesan más que la «verdadera habilidad» medida por Elo.
Construcción de un Modelo Elo Básico
Empezar con datos históricos es fundamental. Necesitas al menos dos temporadas completas para calibrar los parámetros de tu modelo antes de usarlo en apuestas reales. Usar la temporada actual como entrenamiento y prueba simultáneamente es un error que garantiza sobreajuste.
El primer paso es definir cómo manejar el inicio de cada temporada. Los rosters cambian significativamente en verano: traspasos, fichajes de agentes libres, retiros. Un equipo de octubre no es el mismo que terminó la temporada anterior. Mi solución es aplicar una regresión a la media del 25% al inicio de cada temporada: el nuevo rating es 75% del rating final anterior más 25% de 1500.
Después necesitas decidir si incorporas margen de victoria. El Elo original solo considera ganar o perder, pero en baloncesto una victoria por 20 puntos indica algo diferente que una victoria por 2. Yo uso una función logarítmica del margen para evitar que las palizas distorsionen excesivamente los ratings: los primeros 10 puntos de diferencia cuentan más que los siguientes 10.
La ventaja de campo requiere ajuste explícito. En NBA, el equipo local gana aproximadamente el 55-60% de los partidos. Puedes modelar esto añadiendo un bonus fijo al rating del local antes de calcular probabilidades —típicamente entre 50 y 100 puntos Elo— o ajustando la probabilidad esperada directamente.
Una vez definidos los parámetros, construyes el modelo partido a partido cronológicamente. Empiezas todos los equipos en 1500, procesas cada partido de la primera temporada de entrenamiento actualizando ratings, y al final evalúas qué tan bien tus probabilidades predichas se correlacionan con los resultados reales. Ajustas parámetros y repites hasta que el modelo produzca probabilidades calibradas.
La calibración significa que cuando tu modelo dice 70% de probabilidad, el evento debería ocurrir aproximadamente el 70% de las veces. Si tus «70%» ganan el 80% de las veces, tus probabilidades son demasiado conservadoras. Si ganan el 60%, son demasiado agresivas.
Integrar Net Rating en el Modelo
El Net Rating —diferencia entre puntos anotados y recibidos por cada 100 posesiones— es probablemente la métrica individual más predictiva del rendimiento de un equipo NBA. Integrarlo con Elo produce un modelo híbrido más robusto que cualquiera de los dos por separado.
La integración más simple es usar Net Rating como input para ajustar el Elo inicial de cada temporada. En lugar de regresionar al promedio general, regresionas hacia un valor derivado del Net Rating de pretemporada: equipos con Net Rating proyectado alto empiezan con Elo por encima de 1500, y viceversa.
Un enfoque más sofisticado es actualizar los ratings usando tanto el resultado del partido como el Net Rating del partido específico. Un equipo que gana con +15 de Net Rating está jugando mejor que uno que gana con +3, incluso si ambos suman la misma victoria. Este ajuste captura información sobre calidad de juego que el resultado binario ignora.
También puedes crear un modelo de dos capas: el Elo rastrea la trayectoria histórica del equipo mientras que el Net Rating de las últimas X semanas captura la forma reciente. La predicción final combina ambos con pesos que puedes optimizar empíricamente.
Los equipos locales en playoffs NBA tienen un récord de 203-141 directos y 175-167-2 contra el spread en las últimas cuatro postemporadas —un 51.2% de cobertura ATS. Este margen tan ajustado indica que los mercados de playoffs son altamente eficientes, lo que significa que cualquier ventaja que tu modelo proporcione debe ser sutil y consistente.
El peligro de integrar Net Rating es el sobreajuste. Si usas demasiadas variables o pesos muy específicos, tu modelo funcionará perfectamente en datos históricos pero fallará en predicciones futuras. Mantén la arquitectura simple y valida siempre en datos que el modelo no ha visto durante el entrenamiento.
Aplicación Práctica en Playoffs
Los playoffs cambian las reglas del juego para cualquier modelo predictivo. La muestra de partidos es pequeña, los ajustes tácticos partido a partido son enormes, y factores intangibles como la experiencia en eliminatorias pesan más que en temporada regular.
Mi aproximación es tratar cada serie de playoffs como un mini-torneo independiente. Los ratings Elo que los equipos traen de temporada regular sirven como punto de partida, pero actualizo con mayor sensibilidad los ajustes intra-serie. Si un equipo domina el Game 1, su rating para el Game 2 sube más de lo que subiría por una victoria equivalente en enero.
El factor descanso es crítico en playoffs y el Elo básico no lo captura. Un equipo que cerró su serie anterior en 5 partidos y descansó una semana llega en condiciones diferentes que uno que jugó 7 partidos y viajó hace dos días. Añado un modificador de descanso que ajusta las probabilidades basándose en días desde el último partido.
También considero el historial de enfrentamientos específicos cuando existe. Si dos equipos se han enfrentado en playoffs recientemente, los resultados de esas series anteriores contienen información sobre emparejamientos tácticos que el Elo general no refleja. Un equipo puede tener rating inferior pero ventaja específica contra cierto rival por cómo encajan sus estilos.
El output final de mi modelo no es una predicción binaria sino una probabilidad que comparo con la probabilidad implícita en las cuotas del mercado. Si mi modelo dice 55% y el mercado ofrece cuotas equivalentes al 48%, tengo un candidato para apostar. La diferencia entre mi estimación y la del mercado —el edge teórico— debe superar cierto umbral para justificar la apuesta considerando el margen de la casa y la incertidumbre inherente al modelo.
Ningún modelo es perfecto, y el mío falla regularmente. La ventaja no está en acertar cada partido sino en tener razón más frecuentemente de lo que las cuotas implican, lo suficiente para superar el margen de la casa a largo plazo. Eso requiere humildad sobre las limitaciones del modelo y disciplina para no sobre-apostar cuando el edge percibido es marginal.