L1
Ligue 1 Predictor
Dixon-Coles · walk-forward · vs marché

Méthode

comment le modèle fonctionne, et ce qu'il ne sait pas faire

En trois phrases

On modélise chaque match comme deux lois de Poisson : chaque équipe a une force d'attaque et une faiblesse défensive, plus un avantage à domicile commun à toutes.

Ces paramètres sont estimés sur l'historique de la Ligue 1 — 6 saisons, ~2000 matchs — via un modèle Dixon-Coles (1997), qui corrige légèrement les scores faibles pour mieux coller aux vrais résultats de football. On entraîne sur un mélange 60% xG + 40% buts marqués, et on applique une correction résiduelle par équipe pour corriger les biais systématiques du modèle (voir plus bas).

À chaque nouvelle journée, on ré-entraîne le modèle sur tout ce qui précède, on prédit les matchs à venir, puis on stocke le résultat pour l'évaluer plus tard. Aucune information post-match ne remonte dans la prédiction.

Pourquoi mélanger xG et buts ?

Les buts marqués sont la vraie donnée — c'est ce qui compte — mais ils sont très bruités. Une équipe peut dominer 2,5 vs 0,5 d'xG et perdre 0–1 sur un contre, puis dominer 1,8 vs 0,4 et gagner 3–0. L'écart réel entre les deux matchs est bien moindre que ce que les scores suggèrent.

Les xG (expected goals) mesurent la qualité des occasions créées. En entraîner le modèle sur un mélange des deux (60% xG, 40% buts), on lui apprend une version lissée de la force des équipes, qui change moins violemment d'un match à l'autre. Le réglage 60/40 a été choisi par recherche sur grille sur un hold-out — c'est celui qui minimisait le RPS hors échantillon.

Le gain mesuré est modeste (~0,7 % de RPS) mais réel : il traduit la perte d'un peu d'information bruitée au profit d'un peu plus de signal.

La correction résiduelle par équipe

Même avec les xG, le modèle a des biais systématiques par équipe. En analysant les résidus (xG réels − xG prédits) agrégés par équipe sur 2000+ matchs, on voit que le modèle surestime structurellement l'attaque de certaines équipes (Lens, Brest, Marseille, Rennes) et sous-estime la défense d'autres (Rennes à domicile notamment).

On applique donc une correction empirique (type empirical Bayes shrinkage) : après le fit, on ajoute un terme α × biais_équipe aux buts attendus λ et μ. Le paramètre α = 0,75 a été choisi par validation out-of-sample sur 300 et 400 matchs récents.

Honnêteté méthodologique : la validation OOS montre un gain de +0,5 à +0,9 % de RPS. Le backtest complet 2021-2026 ne détecte pas ce gain (dilué dans 5 ans de moyennage, l'erreur type dépasse l'effet). On déploie la correction sur la base de la validation OOS, qui reflète les conditions réelles de prédiction : prédire les matchs à venir avec le modèle actuel, pas évaluer rétrospectivement 5 ans d'historique.

Pourquoi Dixon-Coles et pas un gros ML ?

Un modèle comme XGBoost ferait sans doute un peu mieux sur le RPS. Mais un modèle Dixon-Coles est interprétable : on peut regarder les forces d'attaque/défense, expliquer pourquoi une prédiction penche d'un côté, et documenter chaque décision.

Pour un projet dont l'objectif est de comprendre les rapports de force et de comparer au marché, l'interprétabilité vaut mieux qu'un demi-point de RPS. La comparaison au marché confirme d'ailleurs que le modèle est solide.

Comment on compare au marché ?

Les cotes des bookmakers sont converties en probabilités dévigées, c'est-à-dire dont on a retiré la marge du book (~6 %). Une cote de 2,00 donne une probabilité "brute" de 50 %, mais la vraie probabilité annoncée par le book est plutôt 47 %.

Ces probabilités dévigées deviennent un "modèle" comme un autre, avec lequel on compare le nôtre sur les mêmes métriques (RPS, log-loss, calibration). Battre le marché sur le 1N2 est très difficile — le marché agrège l'information de tous les parieurs.

Ce que le modèle ne sait PAS

Il ne connaît pas les blessures, les compositions, la fatigue post-Europe, ni les changements d'entraîneur. Il ne connaît pas non plus la motivation (fin de saison, relégation, etc.).

C'est une des raisons pour lesquelles le marché conserve une petite longueur d'avance : il intègre ce que la seule statistique des scores passés ne peut pas voir.

Les équipes promues (Troyes et Le Mans cette saison) posent un problème particulier : sans historique de L1 récent, le modèle leur donne des paramètres proches de la moyenne, et il faudra 6 à 8 journées avant que leurs vraies forces émergent des résultats.

Stack technique

Données : football-data.co.uk pour les résultats et les cotes historiques d'un panel de bookmakers, understat.com pour les xG historiques (6 saisons, ~2000 matchs), scraper Winamax maison pour les cotes françaises pré-match.

Modèle : Dixon-Coles Poisson-based avec pondération temporelle (ξ=0,002, demi-vie ≈ 1 an), mélange cible 60% xG + 40% buts, correction résiduelle par équipe (α=0,75), et shrinkage (0,9) sur les probabilités pour corriger la surconfiance.

Infrastructure : Python + SQLite + Playwright/Chromium, hébergement sur un VPS OVH via Coolify, site statique généré et servi par nginx:alpine. Mise à jour deux fois par jour via cron (scrape Winamax + ingestion xG + re-prédiction + regénération du site).

Code source sur GitHub