上一篇说了，一个赛季的数据不够用，得攒够 128 场以上才能把 λ 估到 5% 误差。

于是问题来了：支撑整个模型的那批历史数据，到底是怎么来的？

这一篇我不讲技术细节，就讲一件事——它的成本。因为这是我做这个项目之前完全没预估到的部分。

一、我以为：爬点数据而已

最初的设想很简单：找几个公开数据源，把历史比分爬下来，按联赛分组，算平均值，存起来。

这个设想不能说错，但它把整个过程想得太线性了。实际做完，我把它分成了四段，每一段都有各自要命的地方。

二、第一段：采集

我手上现在这批基线库，最终的规模是：

• 25 个联赛
• 74,291 场比赛
• 时间跨度：2014-08-16 ~ 2026-08-25
• 约 12 个赛季

要凑齐这 74,291 场，需要每一场都有：最终比分、半场比分、主客队名、联赛归属、比赛日期。

看起来是五个字段，不多。但问题在于跨赛季的一致性。

举个例子：一支球队在这个赛季叫 A，下个赛季换了赞助商或者译名变了，在数据里叫 B。如果你按名字做主键，它会被当成两支球队，各自的样本都被砍一半。

我后来专门建了一张队名别名表来解决这个问题。但别名表本身需要维护，而且它永远维护不完——新赛季总会有新球队、新译名。

另外还有升降级的问题。一支球队降级了，下个赛季它不在样本里，再升上来的时候，中间断了一截。它的历史数据要不要接着用？用的话，中间那段时间它的水平可能变了；不用的话，样本又少了。

74,291场基线库的构成

三、第二段：清洗

采集完不等于能用。清洗阶段我踩的坑，比采集阶段多。

第一个坑：口径不一致。

不同数据源给的时间、联赛名、队名格式都不一样。有的用中文译名，有的用英文，有的带城市名有的不带。要统一成一套主键，得做大量映射。

我后来做过一次匹配率检查：312 场比赛，跨表对齐之后只匹配上 176 场，匹配率 56%。也就是说，接近一半的数据因为名字对不上而被丢弃了。

第二个坑：异常值。

有些场次的比分明显不合理（比如录入错误），有些场次是特殊性质（友谊赛、延期补赛、空场比赛）。这些如果不剔除，会污染基线。

但要剔除就得先定义"什么是异常"，而定义本身又是个判断——定得太松等于没剔，定得太紧会误伤正常数据。

第三个坑：赛制变更。

有些联赛中途改过赛制（比如增加季后赛、改变升降级规则），导致前后两个时期的样本性质不同。这类断裂如果不处理，等于把两种数据混在一起算平均。

一套基线库要经历的四道工序，最贵的是第③步

一套基线库要经历的四道工序，最贵的是第③步

四、第三段：校准（这段最要命）

采集和清洗是一次性的辛苦，校准是重复的辛苦。

为什么是重复的？因为校准不是做一次就完了。你拿到 74,291 场，算出各队的 λ，然后你得验证这些 λ 对不对。验证的方法包括：

按时间切分。 用前 8 个赛季的数据估 λ，在第 9 个赛季上验证。如果效果差，说明要么过拟合，要么有结构性变化。

按联赛切分。 每个联赛单独算一套基线，不能把所有联赛混在一起。

按档位切分。 强队、中游、下游分开看，因为它们的分布形态不一样。

我做过一次分档检验，发现了一个让我不太舒服的结果：

一条在总体数据上看起来很有效的规则，拆到 8 月能提升 27.9 个百分点，到 9 月变成负 4.2。

方向反了。

这意味着：如果我当初只跑了某一个月的数据就下结论，我会得到一个完全错误的自信。而这种事，只看总体数字永远发现不了。

所以校准这件事，本质是：把同一件事，用不同的切法重复做很多遍，直到它在每一种切法下都站得住。

五、第四段：验证

最后一段是持续性的。基线库建完之后，它不是静态的——每个新赛季都会产生新数据，你得决定要不要把它并入基线、并入之后要不要重算。

而且基线会老化。一支球队换了教练、卖了核心球员，它的历史 λ 还有多少参考价值？这是个没有标准答案的问题。

六、所以这份清单到底有多长

经常有人问我，能不能给一套现成的参数直接用。

我一般会说：可以，但没什么用，然后给一份清单。这份清单大致是这样：

采集层

• 每个联赛 ≥ 12 个赛季（这是把 λ 估到 5% 误差的硬门槛）
• 每场需：最终比分、半场比分、日期、联赛归属
• 队名别名表（且需持续维护）
• 升降级衔接规则

清洗层

• 异常场次定义与剔除规则
• 赛制变更的断裂处理
• 特殊性质比赛的标注

校准层

• 收缩系数扫描（且需全样本）
• 分月验证
• 分联赛验证
• 分档位验证

验证层

• 众数基线对照
• 置换检验（重复几千次）
• 与实际比分的逐场对照库

这还只是"要做什么"，没算"每一件要做多少遍"。

七、我想说的一个反直觉的点

很多人（包括当时的我）会觉得，这类工作的难点在算法。

实际做下来，我的体会是：难点在数据，而且难在"重复"这两个字上。

算法你可以查论文、可以问 AI，一个有经验的人几天就能写出一个像样的模型。但数据这件事，没有捷径——它需要的就是把同一件事重复做很多遍，直到你敢相信它。

而且这里有个很残酷的算术：

你辛辛苦苦攒完 12 个赛季、校准完所有参数，最后得到的可能只是"50% 出头"的判断水平，以及一个必须每月重算、持续维护的东西。

这不是吓唬人，这是我在第 02 篇就给出的实测结论：312 场里，价值比最高的一场是 0.743，而追平市场的门槛是 0.747。一次都没摸到。

一句话：算法能查得到，数据查不到——这套东西真正的门槛，是同一件事你愿意重复做多少遍。

>>> 下期预告：第 09 篇《联赛性格：德甲 3.05 球，意甲 2.51 球》—— 攒完 10 万场，第一个能直接看到的结论就来了：每个联赛的进球分布，差别大得出乎意料。

*本系列为数据统计与概率知识科普，所有数据来自公开比赛结果的统计，不构成任何投注建议。*