Calibración: por qué un 65% del modelo debe ganar 65% de las veces

Si un modelo dice "este equipo gana con 80% de probabilidad" y termina ganando, ¿el modelo es bueno? La respuesta correcta es: depende.

Predecir vs. calibrar

Un modelo puede acertar mucho pero estar mal calibrado. Ejemplo: dice 90% para todos los favoritos. Acierta el 70% del tiempo porque los favoritos efectivamente ganan más. Pero las "90%" reales fueron 70%. Overconfidence — y eso es desastroso para apostar.

Un modelo bien calibrado, en cambio, hace honor a sus números: el 65% que predice debe materializarse en un 65% de aciertos en el largo plazo. Si dice 70%, gana 70% de las veces. Si dice 30%, gana 30%.

Por qué importa para apostar

Las cuotas de las casas implican una probabilidad. Si una cuota es 2.00, está implicando ~50% de probabilidad. Para ganar dinero a largo plazo necesitás encontrar situaciones donde la probabilidad real sea mayor que la implícita. Eso es el "edge".

Pero un edge calculado contra una probabilidad mal calibrada es ficción. Si tu modelo dice 65% cuando la realidad es 50%, vas a ver "edges" en todos lados — y perder plata.

Cómo calibramos en QuantFut

Sin entrar en detalles propietarios: aplicamos una capa de calibración sobre las salidas del modelo entrenado para que las probabilidades reflejen frecuencias observadas reales. Esa calibración se valida contra cuotas de cierre de casas top (las más eficientes del mercado) y se re-ajusta periódicamente.

La curva de calibración por mercado está en el Track Record. Es la prueba empírica de que decimos 65% y eso es 65%.

Cómo verificarlo vos mismo

Descargá el CSV. Filtrá picks por bucket de probabilidad (50-55%, 55-60%, 60-65%, etc.). Calculá el % de aciertos en cada bucket. Si la frecuencia coincide con el bucket, el modelo está calibrado. Si los buckets altos aciertan menos de lo que dicen, hay overconfidence.

No hay magia. Solo matemática verificable contra el track record público.