Pi-Ratings vs Elo vs xG：三种模型，一场足球比赛

三个镜头，一场比赛

想预测一场足球比赛，你有三种统计学传统可以选择：Elo（国际象棋评级的老将），Pi-Ratings（主客场优势的专家），以及xG（射门质量的测量工具）。每一个都捕捉到真相的一部分——没有哪一个能捕捉全部。

Goalence的核心使用Pi-Ratings + 泊松模型。但我们发出的每一个预测，都受到三种传统的共同影响。让我们来比较一下。

Elo：借来的国际象棋方法

Elo在1960年代为国际象棋发明。每名棋手一个数字。赢了，数字上升；输了，数字下降。变化幅度取决于结果是否在预期之中——击败一个高出你200分的对手，比击败低你200分的对手价值更高。

用于足球，Elo将每支球队视为单一评级。优势：简单、稳健、有充分研究支撑。弱点：忽视了足球中巨大的主场优势。

伯纳乌主场的皇马和在竞技马德里客场更衣室里的皇马，其实不是同一支球队。但单一Elo数字说不清楚这个区别。

Pi-Ratings：一支球队，两个数字

Pi-Ratings（Constantinou & Fenton，2013）继承了Elo的思路，但把每支球队拆成主场评级和客场评级两个独立数字。每场比赛过后，两个评级都根据实际结果与赛前预期的差距进行更新。

也就是说，Elo的"一队一数字"在Pi-Ratings里变成了"一队两数字"。

优势：捕捉了Elo遗漏的主场异质性。西甲的主场优势平均相差0.35个进球——Pi-Ratings对这个缺口一目了然。

弱点：跨联赛比较困难。英超的1.5 Pi-Rating和MLS的1.5代表的不是同一件事。Goalence通过联赛专项校准来处理这个问题。

xG：射门质量的视角

xG（预期进球）是三者中最年轻的——大约在2015年进入主流视野。它看的不是结果，而是机会的质量。每次射门根据位置、角度、身体部位和比赛状态获得一个概率值。0.30 xG的射门，意味着大多数前锋在那个位置大约能打进30%的球。

优势：捕捉的是过程，而非结果。一支创造了2.5 xG却0-1落败的球队是运气不佳；xG会标记出这一点。

弱点：无法直接告诉你谁会赢。要把xG转化为比分概率，需要额外的方法。泊松分布在这里出场。

Goalence的选择

我们在核心使用Pi-Ratings + 泊松，因为这个组合能正确处理主场优势，每场比赛后自动更新，并能清晰地转化为结果概率。xG值影响lambda参数——但评级引擎是Pi-Ratings。

这是最好的系统吗？诚实的回答：没有任何系统能做到这一点。

我们的前瞻追踪命中率实时发布在统计页面——每个预测都在开球前记录，并与真实结果对照打分。我们于2026年5月24日清零计数器；早期样本虽小但诚实。与集成方法相当。真正关键的是前瞻追踪：每个预测都在开球前记录，并与实际结果对比。

这些模型没有一个能完美预测未来。它们只是把不确定性略微降低了一点。

哪个才对？

赛前，Pi-Ratings给你主队胜率50%，Elo给55%，xG转结果给52%。三者相差5个百分点。哪个是对的？

答案：没有确定意义上的"对"。它们都是预测。重要的是长期校准。

100场比赛下来，Pi-Ratings在给出50%主队胜率时，实际结果里有恰好50%主队获胜——那它是校准的。如果Elo给55%但实际只有50%，它在这类比赛里过于乐观了。

Goalence的数据集记录每一个预测。一年后，哪套系统校准得更好，一目了然。