世界杯 2026 量化分析

专业足球比赛量化分析工具，提供可验证的分析框架，而非投注建议。

核心理念（v2.1）：模型本地计算 + 网页搜索实时校准。实时数据（赛果/伤病/阵容/赔率）由 agent 的网页搜索能力获取，不依赖付费 API；搜索到的信息经结构化后喂入引擎，驱动 Elo/攻防数据/修正因子的更新。

核心能力

1. 单场分析：Elo-xG耦合 + Dixon-Coles比分矩阵 + 主场xG乘数 + 修正因子 → 胜平负 + 最可能比分
2. 市场融合：搜索单场赔率 → 去vig隐含概率 → 模型70%+市场30%融合（显著降低Brier）
3. 小组出线：4队单循环蒙特卡洛（含东道主主场）→ 出线/头名/名次分布
4. 淘汰赛晋级：常规时间 + 加时/点球折算（不预测点球比分）
5. 晋级路径：单队多阶段蒙特卡洛推演
6. 爆冷分析：三层判据（风格克制+状态变量+赛制红利）→ 爆冷概率+等级
7. 赔率价值：模型 vs 市场偏差≥3%标记 + 半Kelly仓位
8. 搜索校准：网页搜索最新赛果 → FIFA风格Elo更新 + EWMA攻防数据更新

标准工作流（每次预测前执行）

第 0 步：搜索校准（关键！预测准确度的最大来源）

用网页搜索获取自上次校准以来的最新信息：

1. 搜索最新赛果（如 World Cup 2026 results yesterday scores / 世界杯 比分 昨天），将结果结构化为 JSON：

{
  "source": "ESPN 2026-06-12 搜索结果",
  "results": [
    {"home": "墨西哥", "away": "南非", "home_goals": 2, "away_goals": 0, "neutral": false}
  ]
}

2. 运行 python3 scripts/calibrate.py results.json → 自动更新 Elo（K=30+净胜球放大+东道主加成）和攻防数据（EWMA α=0.30，近期状态主导）
   • 搜索不可用时的 backup：python3 scripts/calibrate.py --from-api [起日] [止日] 从 football-data.org 拉赛果（需 FOOTBALL_DATA_API_KEY，英文队名经 data/team_names.json 自动映射，映射失败的场次如实跳过）
3. 搜索球队情报（如 "队名" injury lineup news）：核心伤缺/内讧/轮换 → 转化为修正因子或 match_context
4. 搜索本场赔率（如 "A vs B" odds 1x2）：拿到三个小数赔率备用

红线：搜索结果必须有来源；搜不到就如实说明并跳过该步，绝不编造比分/伤病/赔率。

A. 单场比赛分析

1. 完成第 0 步校准
2. engine = FootballPredictionEngine(data_dir='../data')
3. engine.predict(a, b, corrections={...}, is_knockout=布尔, home='a'/'b'/None)
   • home 仅东道主真主场传值（美/加/墨），中立场传 None（主场已是 xG 乘数，勿再叠加概率修正）
   • corrections 放搜索到的伤病/状态情报（参考 data/corrections.json 16 项库）
4. 如搜到赔率：mk = engine.odds_to_probability(o1, ox, o2) → engine.blend_with_market(pred['final'], mk) 作为最终输出概率
5. 按「单场分析」格式输出，注明数据截止时间，结尾附风险提示

B. 小组出线概率

1. 分组未填充时：搜索官方分组 → python3 scripts/calibrate.py --groups groups.json（必须注明 source）
2. engine.simulate_group([4队], simulations=50000, home_teams=['美国','加拿大','墨西哥'])

C. 淘汰赛晋级

• 单场：engine.knockout_advance_prob(a, b, corrections, home)
• 全路径：stages=[{'name':'16强','win_prob':0.62},...] → engine.monte_carlo_path(team, stages)

D. 爆冷分析

1. 搜索两队近期情报填 match_context：is_first_match / is_last_group_match / rotation_risk(强队轮换) / expansion_format / internal_strife(内讧) / key_injury / slow_starter
2. engine.upset_analysis(a, b, match_context) → 三层修正 + Tier 等级

E. 赔率价值检测

• 单场（推荐，无需 key）：搜索赔率 → odds_to_probability → engine.value_detection(model, market, 3.0) + engine.kelly(prob, odds)
• 批量（需 ODDS_API_KEY）：OddsProvider().value_scan(engine, predictions) / get_outright_winner()

F. 赛后复盘

结果回填 logs/prediction_log.md，engine.brier_score(predicted, outcome) 量化校准，每 10 场复盘平均分。

数据文件

• data/elo_ratings.json：48 队 Elo（初始估值，由搜索校准持续更新，自动 .bak 备份）
• data/team_stats.json：48 队场均进球/失球（EWMA 滚动更新）
• data/corrections.json：16 项修正因子库（含 2026 专属 7 项）
• data/world_cup_schedule.json：赛制骨架（分组为事实型数据，搜索后经 --groups 写入，不预填）
• logs/calibration_log.md：每次校准的来源、赛果、Elo 变动（自动生成）

输出格式

单场分析

⚽ [A] vs [B] | [赛事] | [日期] | 数据截止: [校准时间]
📊 Elo [A] vs [B]（差[gap]）| xG [A] [值] / [B] [值]
📈 模型: 胜 x% | 平 x% | 负 x%
💹 市场融合后: 胜 x% | 平 x% | 负 x%（搜索赔率 [o1/ox/o2]）
✏️ 修正: [因子] ±x%（来源: [搜索情报]）
🎯 最可能比分: [比分1] / [比分2] / [比分3]
💡 关键洞察: [一句话]
⚠️ 本分析基于统计模型，不构成投注建议。

爆冷分析

🔥 [强队] vs [弱队] | 爆冷分析
📊 Elo差 [gap] | 基础爆冷 x%（弱队胜）/ x%（平）
✏️ 三层修正: 风格 +x% | 状态 ±x% | 赛制 +x%
📈 调整后: 弱队胜 x% | 平 x% | 综合爆冷值 x% | [Tier X]
💡 关键因素: [1-3个核心变量]
⚠️ 本分析基于统计模型，不构成投注建议。

红线

• 绝不直接建议投注，只提供分析框架
• 绝不伪造数据：所有计算经代码执行；赛果/伤病/赔率/分组等事实型数据必须来自可溯源的搜索结果，搜不到就如实说明
• 校准必须注明来源（source 字段强制）
• 绝不隐瞒偏差：模型 vs 市场大偏差时标注不确定性
• 每次分析结尾必须附风险提示；输出注明数据截止时间
• 不预测点球大战比分（仅给晋级概率）

模型说明（v2.1 准确度改进）

1. Dixon-Coles 修正（ρ=-0.10）：独立泊松系统性低估 0-0/1-1，τ 修正抬升低比分平局——足球建模标准做法
2. Elo→xG 耦合（强度 0.25）：Elo 差距直接调整期望进球；概率空间 Elo 权重相应降至 0.15 避免双重计算
3. 主场优势 = xG 乘数（×1.10）：替代扁平概率修正，强弱对话中效果自适应
4. 市场融合（默认 30%）：市场赔率聚合了全市场信息，融合可显著降低 Brier
5. EWMA 攻防更新（α=0.30）：近 3 场状态主导，比静态赛前均值更贴近临场
6. 搜索驱动情报：伤病/轮换/内讧等无法量化建模的变量，由 agent 搜索后经修正因子进入模型

版本历史

• 2.1.1：新增赛果校准 API backup（football-data.org + 队名映射表 data/team_names.json）；搜索仍为主路径
• 2.1.0：OpenClaw 适配；移除 26worldcup.cn API 依赖（data_provider.py → 搜索驱动的 calibrate.py）；Dixon-Coles / Elo-xG 耦合 / 主场 xG 乘数 / 市场融合 / EWMA 校准
• 2.0.0：三 skill 整合（football-match-analysis + world-cup-2026-odds + worldcup26-api），去 Coze 耦合