Modelo de Resultados de Fútbol

Skill para Codex que modela cualquier partido de selecciones nacionales compatibles a partir de resultados brutos utilizando ELO ajustado por oponente, Poisson ponderado, Dixon-Coles y Monte Carlo.

¿Qué es Modelo de Resultados de Fútbol?

Este skill proporciona un modelo determinista integrado para calcular probabilidades de resultados en partidos de selecciones nacionales (especialmente eliminatorias de la Copa del Mundo) a partir únicamente del nombre del enfrentamiento. Utiliza una combinación de técnicas estadísticas avanzadas como ELO ajustado por oponente, regresión de Poisson ponderada, corrección por oponente de élite, ajuste Dixon-Coles y simulación Monte Carlo con al menos 50,000 iteraciones. Está diseñado para Codex y puede ejecutarse mediante un único comando en PowerShell, aceptando archivos CSV locales opcionales. El skill realiza auditorías estrictas (hard_audit.json) y reporta intervalos de confianza del 95%, las probabilidades de resultado más probables, fortaleza del oponente e impacto del prior histórico. Rechaza explícitamente el uso de cuotas, pronósticos o predicciones precomputadas, garantizando que todos los cálculos se basen exclusivamente en resultados históricos completos.

Compatible con~Claude Code✓Codex CLI~Cursor
npx skills add 565721014-art/football-score-model

Installed? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace Modelo de Resultados de Fútbol?

Utilice el modelo incluido; nunca sustituya estimaciones informales o clasificaciones basadas solo en goles brutos.

Ejecución

python scripts/run_model.py --fixture "Argentina vs Egipto" --output-dir output

Solo se requiere el enfrentamiento. Normalice los nombres de equipos traducidos a las etiquetas del conjunto de datos cuando sea necesario.

Reglas

  • Utilice únicamente resultados brutos completos de selecciones nacionales; nunca use cuotas, consejos, pronósticos o artículos de predicción.
  • Resuelva la fecha objetivo, la competición, la fase de eliminatorias, el estatus neutral y el orden local/visitante a partir de la fila del enfrentamiento bruto.
  • Establezca el corte en el más temprano de: día del partido menos uno, fecha de ejecución y última fecha de fuente completada.
  • Aplique ELO ajustado por oponente, prior histórico con tope, Poisson ponderado, corrección por oponente de élite, Dixon-Coles y al menos 50,000 simulaciones.
  • Exija que hard_audit.json reporte all_passed: true antes de reportar resultados.
  • Reporte lambdas, victoria/empate/derrota con intervalos del 95%, resultados principales, fortaleza del oponente, impacto del prior y advertencias desde prediction.json.

Lea references/model-spec.md solo cuando se necesiten fórmulas o detalles de auditoría. Invoque scripts/model_engine.py solo a través de scripts/run_model.py.

name: model-football-scorelines description: Calcule probabilidades de resultados de eliminatorias neutrales de la Copa del Mundo 2026 a partir solo del nombre del enfrentamiento utilizando el modelo ELO ajustado por oponente, prior histórico con tope, regresión de Poisson ponderada, corrección por oponente de élite, ajuste Dixon-Coles y Monte Carlo. Úselo cuando se le proporcione un enfrentamiento como "Argentina vs Egipto" y se le soliciten probabilidades de victoria/empate/derrota de selecciones nacionales, goles esperados, resultados principales, diagnósticos de fortaleza del oponente o auditorías del prior histórico sin cuotas de apuestas, sitios de predicción, pronósticos de expertos o predicciones precomputadas.

Modelar Resultados de Fútbol

Ejecute el modelo determinista incluido; no lo reemplace con estimaciones informales o un cálculo basado solo en goles brutos.

Flujo de trabajo

  1. Acepte un enfrentamiento como la única entrada de usuario requerida. Normalice los nombres de equipos traducidos a las etiquetas exactas del conjunto de datos cuando sea necesario.
  2. Use un CSV de resultados brutos local cuando el usuario lo proporcione. De lo contrario, permita que el ejecutor descargue su CSV de resultados brutos predeterminado directamente.
  3. Nunca navegue ni utilice cuotas, consejos, pronósticos, predicciones de redes sociales o artículos de predicción precomputados.
  4. Ejecute scripts/run_model.py con Python 3.10+ y los paquetes en scripts/requirements.txt.
  5. Lea primero hard_audit.json. Rechace la ejecución si all_passed es falso.
  6. Lea prediction.json y reporte cada conjunto de datos solicitado, oponente, crudo versus ajustado, impacto del prior, parámetro, resultado, resultado principal y campo de diagnóstico.

Comando

python scripts/run_model.py `
  --fixture "Argentina vs Egipto" `
  --output-dir output

El ejecutor localiza el enfrentamiento futuro sin resultado, lee su fecha y metadatos neutrales de la Copa del Mundo, y usa el día anterior al partido como corte inclusivo. Agregue --source C:\ruta\resultados.csv para usar un CSV bruto existente. Use --cutoff o --target-date solo para una anulación explícita del usuario. Mantenga al menos 50,000 simulaciones.

Comportamiento requerido

  • Trate el objetivo como neutral y no agregue ventaja de local.
  • Use solo partidos completados desde 2018-01-01 hasta el corte.
  • Trate 2022 en adelante como la ventana principal y 2018-2021 como un prior débil.
  • Mantenga cada peso efectivo a nivel de equipo anterior a 2022 en o por debajo del 8%.
  • Mantenga la mezcla explícita del prior histórico lambda en o por debajo del 5% y reescalé si cualquiera de los lambdas se mueve más del 5%.
  • Exija el ajuste de ELO del oponente y calidad del oponente; nunca clasifique el ataque solo por goles brutos.
  • Use el umbral de élite y las reglas de respaldo implementadas por el modelo.
  • Estime el efecto de eliminatorias de la Copa del Mundo solo a partir de observaciones completadas válidas.
  • Aplique Dixon-Coles solo después de que los lambdas finales estén calculados.
  • Devuelva la matriz de resultados ajustados exacta más las probabilidades de simulación de 50,000 sorteos e intervalos Wilson del 95%.
  • Verifique que el resultado más probable reportado sea igual al argmax de la matriz.

Lea references/model-spec.md al auditar fórmulas, pesos, diagnósticos o semántica de salida. El modelo ejecutable está en scripts/model_engine.py; invóquelo a través de scripts/run_model.py para que se apliquen la configuración y las verificaciones estrictas.

Skills relacionados