IA y modelos predictivos aplicados a apuestas de LaLiga

Un ordenador no adivina partidos, los calcula con error

Llevo nueve años analizando LaLiga y los últimos cuatro los he dedicado en paralelo a entrenar modelos predictivos en mi ordenador. Empecé con hojas de Excel y regresiones logísticas, pasé al scikit-learn, y acabé tocando redes neuronales modestas sobre datos de jornada. La conclusión personal, después de miles de horas, es prosaica: un modelo bien construido es una herramienta extraordinaria para ordenar lecturas, pero no genera dinero por sí solo. La diferencia entre un algoritmo útil y un algoritmo que te arruina está en la disciplina con la que lo validas, no en el modelo en sí.

En internet circula un relato simplista según el cual la inteligencia artificial resolvió ya las apuestas deportivas y sólo los iniciados saben cómo aprovecharla. Esa narrativa vende cursos, pero no describe la realidad técnica. Los modelos predictivos aplicados al fútbol aprenden patrones históricos y los proyectan hacia partidos nuevos, con márgenes de error que nunca desaparecen. Cuando un apostante entiende esto, el modelo pasa de ser un oráculo a ser una calculadora sofisticada de probabilidades.

En esta guía te cuento qué tipos de modelos son aplicables al fútbol, qué datos tenemos disponibles en LaLiga, cómo se valida un sistema de forma honesta y cuáles son los límites reales de todo esto. Lo escribo con tono sobrio porque el tema no admite promesas. Si buscas una fórmula mágica esta guía te va a decepcionar; si buscas un mapa técnico para construir tu propio enfoque, sigue leyendo.

Los tipos de modelos que se aplican al fútbol

La familia de modelos aplicables al fútbol se divide en varias categorías con filosofías distintas. Te las resumo sin jerga excesiva pero con los nombres exactos que vas a encontrar si investigas por tu cuenta, porque merece la pena saber qué se está hablando cuando alguien menciona uno u otro.

El enfoque clásico y más estudiado es el modelo de Poisson, en sus variantes simple y bivariada. Parte de la idea de que los goles de cada equipo siguen una distribución de Poisson cuyo parámetro lambda depende de la fuerza ofensiva del equipo, la fuerza defensiva del rival y el factor de local. Es un modelo sencillo de implementar, explicable y razonablemente calibrado. Sus limitaciones son conocidas: subestima empates, no captura bien las rachas y asume independencia entre los goles de ambos equipos cuando sabemos que no lo es.

El siguiente nivel son los modelos de regresión logística y multinomial. Predicen directamente la probabilidad de victoria, empate o derrota a partir de variables de entrada (forma reciente, xG acumulado, días de descanso, distancia recorrida en viajes europeos). Son rápidos de entrenar, admiten cientos de variables, y su output se interpreta con facilidad. Son la base de muchos sistemas amateurs bien construidos.

Después llegan los métodos de ensemble basados en árboles: random forest y especialmente gradient boosting (XGBoost, LightGBM, CatBoost). Estos modelos capturan relaciones no lineales entre variables y manejan bien datasets heterogéneos con variables numéricas y categóricas mezcladas. A igualdad de datos, un XGBoost bien tuneado supera casi siempre a una regresión logística pura en problemas de fútbol.

En la cumbre de la complejidad están las redes neuronales, desde MLPs sencillos hasta arquitecturas específicas para series temporales como LSTM o transformers. Estas redes pueden aprender patrones muy complejos, pero necesitan datasets grandes y suelen sobreajustar con facilidad en fútbol, donde el ruido es enorme. Mi experiencia personal es que una red neuronal vale la pena sólo si tienes datos muy ricos (eventos de partido, tracking posicional) y si inviertes tiempo serio en regularización.

Un último apunte: el mejor modelo no siempre es el más sofisticado. He visto sistemas basados en Poisson simple con ingeniería de variables muy cuidada batir a redes neuronales entrenadas por gente con más potencia de cálculo pero menos criterio sobre qué variables importan. La calidad del feature engineering pesa más que la complejidad del algoritmo.

Los datos disponibles para trabajar LaLiga

Cualquier modelo vale lo que valen sus datos. En LaLiga tenemos un ecosistema razonablemente rico, aunque con capas de acceso desigual según el presupuesto del apostante. Te explico qué hay a cada nivel para que sepas hasta dónde puedes llegar sin pagar por feeds profesionales.

El nivel gratuito cubre resultados, alineaciones, goleadores, asistentes, tarjetas, córners y estadísticas básicas de partido (remates, posesión, pases). Webs como FBref, Sofascore y las propias fuentes oficiales publican datos consolidados con cierto retraso pero fiables. Este nivel es suficiente para entrenar modelos de resultado y de over/under decentes.

El nivel intermedio añade xG y xA por equipo y jugador, mapas de tiros con coordenadas, y datos de posesión segmentados por zona del campo. FBref y Understat son referencias habituales; ambos publican datos históricos de LaLiga con varios años de profundidad. Con estos inputs se pueden construir modelos con mejor calibración que los que usan sólo resultados.

El nivel avanzado requiere feeds de pago: Opta, StatsBomb, WyScout. Aquí entran eventos con timestamp y coordenadas, tracking posicional y métricas derivadas como xT o PPDA. Los precios van desde suscripciones limitadas asequibles hasta contratos profesionales de varios miles al año. La mayoría de apostantes amateurs no necesita este nivel.

Hay un dato contextual relevante para entender la cobertura informativa de LaLiga: la competición alcanzó 805.000 telespectadores de media por partido en 2024/25, con 21,73 millones de telespectadores acumulados, cifras que sostienen una infraestructura mediática densa y, como efecto colateral, una cobertura estadística abundante. Más atención mediática equivale a más fuentes públicas y a mejores datos para quien quiere modelar.

A estos datos cuantitativos conviene añadir variables cualitativas difíciles de automatizar pero muy relevantes: lesiones con fecha probable de regreso, cambios de entrenador, conflictos internos filtrados en prensa, calendarios europeos exigentes. Ningún modelo estadístico los captura bien sin ayuda humana, y ahí está una de las ventajas sostenibles del apostante que combina IA con lectura propia del contexto.

Validación y backtesting que se pueda mirar a los ojos

La parte más ingrata del trabajo con modelos es la validación. También es la más importante: un modelo mal validado parece espectacular sobre papel y se desangra en dinero real. Te explico cómo lo hago yo para que puedas replicar el método o, mejor, criticarlo y mejorarlo.

El primer principio es el de separación temporal estricta. El dataset se divide respetando el orden del tiempo. Si entreno con datos de 2015 a 2022, valido con 2023; si añado 2023, valido con 2024. Nunca hay que usar datos del futuro para predecir el pasado, ni mezclar jornadas de la misma temporada entre entrenamiento y validación.

El segundo principio es el walk-forward. En lugar de una validación única, se hace una serie de entrenamientos sucesivos que simulan cómo usaría el modelo en producción: entrenar con datos hasta la jornada N, predecir la N+1, incorporar esos resultados, predecir la N+2, y así hasta agotar el dataset. El resultado se parece más al rendimiento real que una única validación.

El tercer principio es la métrica adecuada. Precisión porcentual significa poco en apuestas; lo que importa es el ROI sobre cuotas reales. Un modelo que acierta el 55% de los partidos pero recomienda sólo apuestas a favoritos cortos puede perder dinero; un modelo que acierta el 40% pero selecciona cuotas medias-altas con valor esperado positivo puede ganarlo. Mido Brier score, log-loss y ROI simulado contra cuotas de cierre.

El cuarto principio es el control del sobreajuste. Si el modelo rinde brillantemente en entrenamiento y modestamente en validación, está memorizando. Los remedios habituales son la regularización (L1, L2, dropout), la reducción de variables, y la simplificación del modelo. Una regla personal: si un modelo tiene más parámetros que observaciones multiplicadas por diez, desconfío por principio.

El quinto principio es la honestidad con los resultados. Un sistema que declara un 7% de ROI sobre 500 apuestas simuladas es muy distinto de uno que declara un 7% sobre 5.000. Las cifras sobre muestras pequeñas son ruido. Con mis propios modelos me obligo a 2.000 tickets simulados como mínimo antes de arriesgar dinero real, y aun así parto con stakes pequeños durante las primeras 200 apuestas en producción.

Los límites que hay que aceptar antes de seguir adelante

Llegamos a la parte que omiten los cursos de pago. Los modelos predictivos aplicados a LaLiga tienen límites reales que no desaparecen por mucho que mejoremos el algoritmo, y conviene tenerlos presentes antes de invertir tiempo y dinero serio.

El primer límite es el margen del operador. Las casas de apuestas incorporan un overround que suele rondar el 5-8% en mercados principales de LaLiga. Para que un modelo produzca beneficio sistemático tiene que superar ese margen de forma consistente, algo que es posible pero exigente. Cualquier modelo que no supere claramente las cuotas de cierre del mercado en la validación, no va a ganar dinero en producción.

El segundo límite es la eficiencia del mercado. Los traders de las casas grandes manejan modelos mucho más sofisticados que el del apostante amateur, con datos de calidad superior y equipos multidisciplinares. Las cuotas de cierre de un partido de LaLiga están cerca del precio justo casi siempre. El valor sistemático que puede capturar un modelo doméstico existe pero es delgado y se concentra en mercados menos líquidos o en situaciones particulares.

El tercer límite es la aleatoriedad intrínseca del fútbol. Un remate al palo, un rebote favorable, una decisión arbitral marginal deciden partidos con una frecuencia que ningún modelo puede anticipar. Los mejores sistemas convierten esta aleatoriedad en gestión estadística a largo plazo, no en predicciones ajustadas partido a partido. Veinte jornadas seguidas perdiendo con buen valor esperado son normales y no prueban que el modelo falle.

El cuarto límite es el sesgo estrella. Las cuotas de jugadores como Mbappé o Yamal, valorados en 200 millones de euros cada uno por Transfermarkt, están muy ajustadas precisamente porque su impacto es medible y el mercado lo incorpora pronto. Un modelo que intenta explotar lo obvio (que Mbappé marca mucho) no va a encontrar valor; debe buscarlo en contextos menos evidentes, y ese es el trabajo difícil de verdad.

El quinto límite es humano: la disciplina para ejecutar lo que dice el modelo incluso cuando contradice la intuición. He visto apostantes con modelos buenos perder dinero por saltarse selecciones que su propio sistema marcaba, movidos por impresiones subjetivas. Si el modelo dice 0,12 de probabilidad al empate con valor, y tú crees que el Atleti está espectacular, hay que apostar lo que dice el modelo o no haberlo construido. Esta tensión conecta con la disciplina del value betting en LaLiga, donde la gestión emocional del largo plazo es tan decisiva como el cálculo matemático de la cuota justa.

Mi cierre, tras cuatro años tocando modelos: la IA es una herramienta útil que ordena el trabajo de un apostante serio, pero no lo sustituye. Quien cree que un algoritmo va a ganar al mercado por ser algoritmo, descubre con dolor que los mercados son más eficientes de lo que parece. Quien usa la IA como complemento, con honestidad metodológica y gestión sobria, puede encontrar un margen sostenible. Modesto, exigente de mantener, pero real.