Bilans

Każda prognoza oceniona i opublikowana

Zapisujemy, jak rozstrzygnęła się każda prognoza, i publikujemy wynik, czy nam pochlebia, czy nie. Przy każdej liczbie podajemy wielkość próby. Nic tutaj nie jest wybierane po fakcie.

Dane na dzień 19 listopada 2026Zobacz surowe dane (JSON)

Jak skuteczne są prognozy piłkarskie ScorePredicts?

Najlepsze wybory

Jeden wybór z największym przekonaniem na mecz, ze wszystkich rynków.

75,1%
Skuteczność · n = 5269
Średnie prawdopodobieństwo modelu
73,0%

Analiza wartości

Wybory, w których prawdopodobieństwo modelu najbardziej odbiega od konsensusu cen rynkowych.

68,2%
Skuteczność · n = 938
Średnie prawdopodobieństwo modelu
71,3%
Średnio model a rynek
3,64 pp

Skuteczność według okresu

Rodzaj prognozy7 dni30 dniOd początku
Najlepsze wybory75,9%n = 72675,1%n = 526972,5%n = 14 052
Analiza wartości77,1%n = 7068,2%n = 93860,6%n = 6859

W porównaniu ze zgadywaniem

Sama liczba skuteczności nic nie znaczy. Jedyne przydatne pytanie to: ile na dokładnie tych samych meczach uzyskałaby naiwna reguła?

52,7%
Model, wynik meczu
44,2%
Zawsze wybieraj gospodarzy
+8,5
Różnica

Mierzone na każdym ocenionym meczu, a nie na wybranym podzbiorze. Naiwna reguła wypada tak dobrze dzięki atutowi własnego boiska; to, co jest ponad nią, wnosi model. n = 7709.

Skuteczność w czasie

Każda linia to siedmiodniowa średnia krocząca ocenionych wyborów, z punktem przy dniach, które ją tworzą. Dni bez żadnej oceny przerywają linię, zamiast być łączone.

Najlepsze wyboryAnaliza wartości
Skuteczność w czasie
Skuteczność w czasie
DataNajlepsze wyboryAnaliza wartości
20.10.202674,1%68,7%
21.10.202673,7%69,8%
22.10.202673,7%68,0%
23.10.202673,8%67,7%
24.10.202674,4%67,6%
25.10.202673,2%67,7%
26.10.202673,4%68,9%
27.10.202673,0%68,9%
28.10.202673,2%69,1%
29.10.202673,6%70,5%
30.10.202673,6%69,6%
31.10.202674,6%68,2%
01.11.202676,2%67,2%
02.11.202676,7%67,0%
03.11.202677,0%66,4%
04.11.202677,1%65,1%
05.11.202676,5%65,1%
06.11.202676,4%63,7%
07.11.202675,7%64,4%
08.11.202674,8%66,4%
09.11.202674,2%65,4%
10.11.202674,2%66,7%
11.11.202674,5%66,8%
12.11.202674,9%67,3%
13.11.202675,3%70,0%
14.11.202675,9%72,3%
15.11.202676,8%72,6%
16.11.202676,4%76,5%
17.11.202675,9%76,5%
18.11.202675,9%77,1%

Czy prawdopodobieństwa są uczciwe?

To test, który się liczy. Grupujemy każdą prognozę wyniku meczu według opublikowanego prawdopodobieństwa, a potem pokazujemy, co się naprawdę wydarzyło. Skalibrowany model leży na przekątnej.

Idealna kalibracjaNasz modelPrzedział 95%
Jak często naprawdę się zdarzyło
Czy prawdopodobieństwa są uczciwe?
Opublikowane prawdopodobieństwo

Co obejmuje ten wykresWynik meczu we wszystkich ocenionych meczach, a nie tylko w wybranych prognozach: wybrany podzbiór nie pozwoliłby uczciwie sprawdzić kalibracji. Przedziały ze zbyt małą liczbą meczów łączymy z punktami skrajnymi, a wielkość punktu zależy od próby. Pionowe słupki to przedziały 95%: mało liczny przedział to niepewny odczyt, a nie dokładne pudło.

Wynik Briera: 0,1950Średni błąd kwadratowy między opublikowanym prawdopodobieństwem a wynikiem. Niższy jest lepszy; 0,25 to wynik, jaki dałoby podawanie 50% dla wszystkiego.

Kalibracja według przedziałów prawdopodobieństwa

Przedział prawdopodobieństwaOpublikowane prawdopodobieństwoJak często naprawdę się zdarzyłoPrzedział 95%Mecze
0,05-0,2014,8%12,9%11,8% – 14,1%3243
0,20-0,2522,9%21,0%19,8% – 22,3%4031
0,25-0,3027,3%26,9%25,7% – 28,1%5205
0,30-0,3532,3%32,6%30,8% – 34,5%2398
0,35-0,4037,4%37,0%34,9% – 39,2%1938
0,40-0,4542,5%44,9%42,5% – 47,3%1676
0,45-0,5047,5%49,8%47,1% – 52,6%1270
0,50-0,5552,4%55,7%52,6% – 58,7%999
0,55-0,6057,3%59,6%56,1% – 63,0%765
0,60-0,6562,3%61,7%57,6% – 65,5%579
0,65-0,7067,4%72,2%67,8% – 76,3%425
0,70-0,7572,4%77,4%72,1% – 81,9%274
0,75-0,8077,2%82,8%76,3% – 87,8%163
0,80-0,9585,0%86,3%80,2% – 90,8%161

Przedział to zakres 95%, w którym przy tej wielkości próby może leżeć zaobserwowana wartość. Węższy oznacza więcej meczów w przedziale.

Dlaczego wybory wypadają poniżej podanego prawdopodobieństwa

Oba produkty wypadają poniżej własnych podanych prawdopodobieństw. Najlepsze wybory mają średnie opublikowane prawdopodobieństwo % i skuteczność %. Analiza wartości ma średnio % i skuteczność %. Żadnej z tych różnic tu nie ukrywamy, bo wyjaśnienie znaczy więcej niż liczba.

To efekt selekcji, a nie zepsuty model. Oba produkty szeregują własne szacunki modelu i pokazują czołówkę listy, a wybieranie najwyższych wyników faworyzuje przypadki, w których model akurat przeszacował. Każdy system, który szereguje własne wyniki i publikuje najlepsze z nich, pokazuje ten wzorzec. Z tego samego powodu najmocniejsze transakcje funduszu z testów historycznych wypadają słabiej, gdy trafiają na prawdziwy rynek.

Sprawdzianem jest krzywa kalibracji powyżej, bo obejmuje każdy oceniony mecz, a nie wybrany podzbiór. Tam, gdzie leży większość meczów, opublikowane prawdopodobieństwa dobrze odpowiadają zaobserwowanym częstościom, a jeśli już, są lekko zaniżone. To przeciwieństwo zbyt pewnego siebie modelu i dowód, że różnica wyżej wynika z selekcji, a nie ze złej kalibracji.

W praktyce: traktuj podane prawdopodobieństwo jak prawdopodobieństwo, a nie obietnicę, i spodziewaj się, że uszeregowana krótka lista wypadnie kilka punktów poniżej głównej liczby.

Z jakich rynków pochodziły wybory

Skuteczność na mieszanym koszyku to inna deklaracja niż skuteczność na samym wyniku meczu. Oto sześć najczęściej używanych rynków w każdym koszyku, a reszta zgrupowana, żebyś mógł sam ocenić obie główne liczby.

Najlepsze wybory

  • Zwycięstwo gospodarzy lub remis44,1% wyborówn = 2324
  • Remis lub zwycięstwo gości21,2% wyborówn = 1117
  • Zwycięstwo gospodarzy15,3% wyborówn = 806
  • Powyżej 1,5 gola9,8% wyborówn = 514
  • Zwycięstwo gości5,5% wyborówn = 288
  • Powyżej 2,5 gola3,4% wyborówn = 177
  • Inne rynki (3)0,9% wyborówn = 43

Analiza wartości

  • Zwycięstwo gospodarzy68,4% wyborówn = 642
  • Kartki gospodarzy poniżej 2,56,4% wyborówn = 60
  • Kartki gości poniżej 2,54,5% wyborówn = 42
  • Powyżej 2,5 gola4,5% wyborówn = 42
  • Rzuty rożne powyżej 8,53,1% wyborówn = 29
  • Kartki poniżej 4,53,1% wyborówn = 29
  • Inne rynki (15)9,9% wyborówn = 94

Jak powstają te liczby

Ocena automatyczna, jednorazowa

Każda prognoza jest oceniana według ostatecznego wyniku po zakończeniu meczu. Liczb nigdy później nie poprawiamy, żeby lepiej wyglądały, i nic nie znika z bilansu.

Przerwane mecze są wyłączone

Mecze odwołane, przerwane, zakończone walkowerem albo zweryfikowane administracyjnie nigdy nie dostają oceny trafiony lub nietrafiony. W pokazanym okresie takich meczów jest i są wyłączone ze wszystkich liczb, zamiast liczyć się jako któreś rozstrzygnięcie.

Każda liczba ma wielkość próby

Procent z kilku wyników jest niewiarygodny, więc nigdy nie stoi sam: przy każdej skuteczności na tej stronie jest liczba ocenionych prognoz, z której pochodzi. Nic nie jest ukrywane dlatego, że jest małe. Przedziały kalibracji z mniej niż meczami łączymy z punktami skrajnymi albo pomijamy na wykresie, bo kilkanaście meczów pokazanych jako punkt wygięłoby krzywą.

Dawne wyniki to nie przyszłe wyniki

Wszystko tutaj opisuje to, co już się wydarzyło. To nie prognoza, nie cel i nie wynik, jakiego powinieneś osobiście się spodziewać. Piłka nożna pozostaje naprawdę niepewna i żaden model tego nie zmienia.

To zasady, których przestrzega ta strona. Co liczby naprawdę znaczą, dlaczego deklaracje 85% skuteczności nie są wiarygodne i jak sprawdzić dowolny serwis z prognozami, także ten, przeczytasz w poradniku Czy prognozy piłkarskie AI są trafne?.

Miary użyte na tej stronie

Trzy statystyki stojące za powyższymi liczbami i ich źródła. Żadna nie jest nasza; wszystkie są standardowe.

Wynik Briera
Reguła punktacji używana do oceny prognoz prawdopodobieństwa. Podnosi do kwadratu odległość między podanym prawdopodobieństwem a tym, co się wydarzyło, więc pewna siebie błędna odpowiedź jest karana mocniej niż ostrożna. Niższy jest lepszy; 0,25 to wynik podawania 50% dla wszystkiego. Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1-3.
Przedział Wilsona
Przedział 95% pokazany przy każdej zaobserwowanej wartości w tabeli kalibracji. Stosujemy go zamiast podręcznikowego przedziału normalnego, bo pozostaje sensowny przy małych próbach i odsetkach bliskich 0% lub 100%, czyli dokładnie tam, gdzie leżą przedziały kalibracji. Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209-212.
Kalibracja regresją izotoniczną
Metoda, która przekształca surowe wyniki modelu w prawdopodobieństwa znaczące to, co mówią. Dopasowuje do ocenionych wyników krzywą monotoniczną, więc kolejność zostaje zachowana, a podane 70% jest przyciągane do tego, jak naprawdę wypadały prognozy 70%. Zadrozny, B., & Elkan, C. (2002). Transforming classifier scores into accurate multiclass probability estimates. KDD 2002, 694-699.

Zobacz dzisiejsze prognozy

Do czterech najlepszych wyborów dziennie jest za darmo, a do tego wszystkie wyniki na żywo, terminarze i tabele w serwisie.