01 Um amigo publica apostas ganhas todos os dias; decidi falar com dados
Tudo começou no grupo de antigos colegas. No mês passado, um velho colega começou a publicar todos os dias no grupo os seus boletins de apostas desportivas ganhos: dois dias a ganhar, um a perder; quando ganhava era muito ostensivo, quando perdia fingia que não via. Perguntei-lhe se, no conjunto, tinha lucrado, e ele respondeu: «Não faças contas; se fizermos contas, perde a graça». Conheço bem esta conversa — em tudo o que não se quer contar, as contas costumam não ser bonitas.
Não me apressei a contradizê-lo. Por acaso, este era um cenário que ainda não tinha testado a sério com a função «Programação» do MuchSci: pedir à IA que escrevesse um modelo de previsão de jogos decente, fazer backtesting com resultados públicos e depois acompanhar algumas rondas no papel, para ver a qualidade real da ideia de «IA que prevê futebol». Os dados são públicos, o modelo é de manual e a conclusão não precisa de ser adivinhada: basta correr.
▲ Figura 1 | Entregar o problema ao MuchSci e devolver o tempo à investigação — desta vez, o meu «problema» era: será que um modelo de Poisson consegue sequer bater o palpite aleatório
Vou deixar a posição bem clara desde o início: este artigo não ensina ninguém a comprar lotaria; é uma simulação no papel do princípio ao fim e não gastei um único cêntimo. Só há uma pergunta a que este artigo quer responder — qual é, afinal, o nível de um modelo de previsão escrito por IA. A resposta está na secção 4: não é muito abonatória, mas vale muito.
02 Pedir à IA um modelo de Poisson: primeira versão em 10 minutos
Usei resultados da Premier League 2025-26 disponíveis em canais públicos: uma linha por jogo, equipa da casa, equipa visitante, golos da equipa da casa e golos da equipa visitante. Atirei o CSV para a conversa e dei instruções claras: calcular a intensidade ofensiva/defensiva com a média de golos marcados e sofridos nos últimos 10 jogos de cada equipa, obter os respetivos golos esperados λ e, com a distribuição de Poisson, calcular a probabilidade de cada resultado de 0:0 a 6:6, agregando tudo em probabilidades de vitória, empate e derrota.
Em 10 minutos saiu a primeira versão do script e corria bastante depressa — depois percebi que estava errada. Tratava «golos da equipa da casa» e «golos sofridos pela equipa visitante» como duas informações independentes e contava a intensidade duas vezes; o λ era contabilizado em duplicado e as probabilidades de vitória da equipa da casa andavam todas acima dos 70%. Escrevi os critérios como comentários e pedi para correr de novo; só a segunda versão ficou normal.
▲ Figura 2 | Saída central do modelo de Poisson: golos esperados da equipa da casa λ=1,8; o número de golos mais provável num jogo é 1 e 2; equipa visitante λ=1,1, sendo 1 o mais provável. A probabilidade de cada resultado do jogo é calculada multiplicando estas duas distribuições
Para que serve esta distribuição? Multiplicando a probabilidade de a equipa da casa marcar k golos pela probabilidade de a equipa visitante marcar j golos, obtém-se a probabilidade de cada resultado; depois, somando todos os resultados em que a equipa da casa marca mais golos, obtém-se a probabilidade de vitória da equipa da casa. Parece muito rudimentar — e é mesmo rudimentar, porque o futebol não é um sorteio de bolas vermelhas e brancas com eventos independentes — mas é o ponto de partida de todos os modelos de jogos e chega perfeitamente para ser o protagonista deste teste.
▲ Figura 3 | Saída do modelo para um jogo: vitória da casa 53%, empate 22%, vitória de fora 25%. O mais doloroso é a linha do fundo — a probabilidade implícita de vitória da casa nas quotas de mercado de 1,88 também é 53%; o modelo e o mercado chegaram à mesma conclusão
O modelo consegue calcular «quem tem mais probabilidades de ganhar», mas não consegue calcular «se a quota é suficiente» — e é isto que decide se dá para ganhar dinheiro.
A terceira imagem foi a que mais me surpreendeu em todo o teste. Pensei que as probabilidades calculadas pelo modelo seriam informação exclusiva, mas quase coincidiam com as quotas de mercado. As quotas são probabilidades produzidas por dinheiro real de todo o mercado; um modelo de Poisson construído com médias de golos marcados e sofridos conseguir alinhar com elas na direção geral mostra que o modelo «não tem problemas»; mas também mostra que aquilo que ele sabe, o mercado já sabia há muito.
03 Backtesting de 240 jogos: melhor do que o palpite aleatório, mas não melhor do que o mercado
Ver só um jogo não conta. Pedi à IA que acrescentasse um script de backtesting: alimentar o modelo com os primeiros 240 jogos da época 2025-26 por ordem cronológica — em cada jogo, usar apenas os dados históricos anteriores para calcular o λ, gerar as probabilidades dos três resultados, escolher a opção com maior probabilidade como previsão e comparar com o resultado real. Para evitar o efeito da sorte, pedi que corresse o mesmo processo três vezes e tirei a média:
▲ Figura 4 | Backtesting de 240 jogos: acerto puramente aleatório 33% (79 jogos), modelo de Poisson 47% (113 jogos), quotas de mercado implícitas 51% (122 jogos). O modelo é 14 pontos percentuais melhor do que o palpite aleatório — mas ainda lhe falta um passo decisivo para «dar dinheiro»
Como interpretar o número 47%? A boa notícia: está claramente acima dos 33% do palpite aleatório, o que mostra que o modelo aprendeu realmente algo com os dados. A má notícia tem duas camadas: primeiro, ainda está 4 pontos abaixo do mercado — as quotas incorporam lesões, forma, motivação do calendário e outras informações que o meu modelo não tem; segundo, uma taxa de acerto de 47% combinada com a estrutura de quotas das apostas desportivas muito provavelmente dá prejuízo, e é isso que a secção 4 verifica com dados reais.
Além do backtesting, pedi-lhe que organizasse as previsões de cada ronda num relatório, simulando a utilização real, deste género:
▲ Figura 5 | Relatório de previsões gerado em cada ronda (interface ilustrativa; conclusões organizadas a partir dos registos de backtesting e simulação)
Neste relatório, o que mais valorizo é a linha pequena na barra lateral: ele só consegue ver dados de resultados, não vê o mundo. Nos resultados dos jogos de futebol esconde-se uma enorme quantidade de informação que o modelo nunca conseguirá obter — quem está lesionado, quem está a lutar para não descer, quem vai jogar na competição europeia na semana seguinte e poupa os titulares. As quotas de mercado são difíceis de bater precisamente porque tudo isso já está comprado no preço.
04 Prática simulada no papel durante 5 rondas: taxa de acerto 48%, retorno -7,8%
O backtesting é história; a prática é que é o espelho revelador. Regras definidas: em cada ronda, escolher os 5 jogos com maior confiança na saída do modelo, 10 yuans no papel por jogo, registando pelas quotas de apostas desportivas da ronda em causa, ao longo de 5 rondas, num total de 25 jogos. Sem dinheiro real, tudo calculado com quotas reais:
▲ Figura 6 | Retorno acumulado de 5 rondas de acompanhamento simulado no papel: na 1.ª ronda +12% e entusiasmei-me; na 3.ª ronda, três falhas consecutivas em quotas altas fizeram cair diretamente para -21%, terminando em -7,8%. 12 acertos em 25 jogos (48%), saldo negativo (registo ilustrativo; quotas segundo o site oficial da ronda)
O processo é mais interessante do que o resultado. Na 1.ª ronda, 3 jogos com 1 acerto transformaram um pequeno prejuízo em lucro, saldo +12%, e quase escrevi «o modelo é fiável» no título. Depois veio a 3.ª ronda: três «jogos de alto valor» com quotas acima de 2,3 falharam todos, e voltei à estaca zero de um dia para o outro. Ao rever o registo, encontrei um padrão muito arrumado — os acertos eram todos de quotas baixas, entre 1,5 e 1,7, e os prejuízos eram todos de quotas altas, acima de 2,3. O modelo acertou no jogo muitas vezes; pena que, nos jogos em que acertou, as quotas não fossem suficientes.
Isto não é o modelo a falhar, é a matemática a falhar: as quotas das apostas desportivas já incluem a margem de retorno retirada; com 48% de acerto e esta estrutura de quotas, o valor esperado a longo prazo é negativo. O meu colega, ao longo de dois meses, «parecia estar a ganhar»; se incluirmos os dias em que perdeu, muito provavelmente a cor da conta é a mesma que a deste meu registo. Esta é também a verdadeira razão por que escrevi este artigo — o modelo transforma a «sensação» em «probabilidade», a probabilidade transforma a ilusão em registo, e o registo é frio.
05 Vamos ser claros desde já: nestes pontos, ele realmente não ajuda
Depois de cinco rondas, ponhamos três limitações duras em cima da mesa.
① Não vê notícias, só vê resultados. No mundo do modelo só há resultados, não há lesões, rotações ou motivação de luta pela permanência. Duas falhas evidentes nas 5 rondas deveram-se a informações como a ausência do guarda-redes titular — «notícias de pré-jogo óbvias, mas que nunca aparecem na tabela de resultados». Para cobrir esta parte, é preciso acrescentar fontes de dados próprias, e o trabalho multiplica-se por vários.
② Os dados têm de ser procurados e tratados por nós. Os resultados públicos são fáceis de encontrar, mas os critérios são muito confusos: algumas fontes contam campo neutro como equipa da casa, misturam taças e ligas, e cada uma diz coisas diferentes sobre se o prolongamento conta como empate ou como vitória/derrota. A primeira versão do script foi ao ar precisamente por um problema de critério como «golos sofridos pela equipa visitante contabilizados em duplicado». Passar os dados a limpo levou mais tempo do que escrever o modelo.
③ Dá probabilidades, não respostas. 47% de acerto significa que, em mais de metade dos jogos, o modelo está errado. Depois de acertar 5 vezes seguidas, o mais provável a seguir é regressão à média, não «estar com sorte». Usar a saída do modelo como resposta para «que jogo apostar hoje à noite» é a pior utilização possível — só consegue dizer em que proporção algo acontece, não se vai acontecer desta vez.
Então quando é que isto vale a pena? A conclusão, diretamente aqui:
✓ Quando vale a pena: para quem quer treinar sistematicamente «análise de dados + pedir à IA para escrever modelos» — os resultados de futebol são dados públicos, gratuitos, com uma amostra grande e resposta imediata, o que os torna um bom tema para praticar métodos de backtesting. O Poisson, o backtesting e a verificação de critérios usados neste artigo também podem ser aplicados à previsão de vendas ou à retenção de utilizadores.
✗ Quando não é adequado: para quem quer ganhar dinheiro de forma segura com isto — o modelo não é mais inteligente do que o mercado, as quotas retiram margem a longo prazo e o valor esperado negativo é matemática, não opinião; e para quem quer perguntar «que jogo comprar hoje à noite» — este artigo não tem resposta, nem deveria ter. Taxa de acerto e retorno são coisas diferentes; os 48% contra -7,8% deste artigo são a prova.
Se tiver de dar apenas um conselho prático: encare a lotaria como orçamento de entretenimento e o modelo como exercício de prática. O maior ganho destas cinco rondas não foi o registo com -7,8% de prejuízo, foi conseguir agora ver à primeira o problema de frases como «determinada IA prevê 90% de taxa de vitória» — não dizem o intervalo de backtesting, não dizem o tamanho da amostra, não dizem a estrutura de quotas. A literacia de dados é daquelas coisas que, só de a treinar uma vez, vale bem o custo.
Declaração de conformidade e limites
1. Este artigo é uma simulação integral no papel, não foi feita qualquer aposta real e os montantes indicados são registos simulados.
2. O modelo, as probabilidades e as «previsões» referidas no artigo não constituem qualquer recomendação de aposta; o retorno esperado da lotaria a longo prazo é negativo, pelo que deve ser encarada como despesa de entretenimento.
3. Menores de 18 anos não podem comprar lotaria. Jogue com moderação e dentro das suas possibilidades.
Os resultados e as quotas foram compilados a partir de informação de canais públicos; os dados de backtesting e de acompanhamento são ilustrativos e a saída do modelo depende da execução real do script. A descrição de funcionalidades refere-se à versão em vigor à data.
---
Este artigo é um registo pessoal de utilização. O modelo de previsão de apostas desportivas foi construído com base em dados públicos de resultados e serve apenas para demonstrar o método de análise «dados → modelo → backtesting», não constituindo qualquer recomendação de aposta nem promessa de retorno; os dados de backtesting e de prática referidos no artigo são ilustrativos, e toda a simulação foi feita no papel, sem apostas reais. O retorno esperado da lotaria a longo prazo é negativo, menores de 18 anos não podem comprar lotaria, e deve jogar-se com moderação e dentro das possibilidades. A descrição de funcionalidades refere-se à versão em vigor à data.