VWPI (Valorant Win Probability Index)
um contraponto analítico às odds das casas de apostas
DOI:
https://doi.org/10.5281/zenodo.20076441Palavras-chave:
Apostas, Ciências de Dados, VWPI, Valorant., XGBoostResumo
Este estudo propõe o desenvolvimento de modelo híbrido de machine learning, utilizando os algoritmos XGBoost e Skellam, para a previsão de vitórias no jogo eletrônico Valorant. Diante da ascensão dos eSports e da viabilidade de abordagens data-driven, a pesquisa introduz o modelo VWPI (Valorant Win Probability Index). O objetivo central é estabelecer um indicador para mensurar a contribuição individual de cada jogador, conforme sua função específica, no cálculo da probabilidade de vitória da equipe. A metodologia baseou-se na análise de dados de 1.360 partidas, permitindo que o classificador estime o valor posicional e o impacto de cada integrante no resultado final. Os resultados demonstram que o modelo é capaz de superar as probabilidades estipuladas por bookmakers ao detectar variáveis de desempenho. Conclui-se que o modelo VWPI apresenta-se como uma ferramenta viável e robusta para a modelagem estatística e computacional de placares em competições.
Downloads
Referências
AKIBA, T. et al. Optuna: A Next-generation Hyperparameter Optimization Framework. 2019. Disponível em: https://arxiv.org/pdf/1907.10902. Acesso em: 14 dez. 2025.
ALVES DE FREITAS, A. A.; DOS SANTOS, A. Probabilistic model based on the Skellam distribution: application in sports betting. Brazilian Journal of Biometrics, 43(3), e-43773, 2025. Disponível em: https://doi.org/10.28951/bjb.v43i3.773. Acesso em: 14 dez. 2025.
BISHOP, C. Pattern Recognition and Machine Learning. Journal of Electronic Imaging, v. 16, n. 4, p. 049901, 2007. Disponível em: https://www.researchgate.net/publication/221995544_Pattern_Recognition_and_Machine_Learning. Acesso em: 14 dez. 2025
CHEN, T.; GUESTRIN, C. XGBoost: A Scalable Tree Boosting System. In: Proceedings Of The 22nd Acm Sigkdd International Conference On Knowledge Discovery And Data Mining, 2016. Disponível em: https://arxiv.org/pdf/1603.02754. Acesso em: 14 nov. 2025.
FENG, Guanhao; POLSON, Nicholas; XU, Jianeng. The Market for English Premier League (EPL) Odds. Booth School of Business, University of Chicago, [s. l.], p. 1-25, jan. 2017. Disponível em: https://arxiv.org/pdf/1604.03614. Acesso em: 15 nov. 2025.
FLEMING, Owen; SINGH, Tejendra Pratap; YUSUFF, Olanrewaju. The Effect of Online Sports Gambling Laws on Time Use. Preprint 2024. Disponível em: https://d.repec.org/n?u=RePEc:osf:osfxxx:nxg6y. Acesso em: 15 nov. 2025.
GALEKWA, René Manassé; TSHIMULA, J. M.; TAJEUNA, E. G.; KYANDOGHERE, K. A systematic review of machine learning in sports betting: techniques, challenges and future directions. arXiv preprint arXiv:2410.21484, 28 out. 2024. Disponível em: https://arxiv.org/abs/2410.21484. Acesso em: 13 dez. 2025.
GREER, N.; ROCKLOFF, M. J.; RUSSELL, A. M. T.; LOLE, L. Are eSports bettors a new generation of harmed gamblers? A comparison with sports bettors on gambling involvement, problems, and harm. Journal of Behavioral Addictions, v. 10, n. 3, p. 435-446, 2021. DOI: 10.1556/2006.2021.00039. Disponível em: https://akjournals.com/view/journals/2006/10/3/article-p435.xml. Acesso em: 22 out. 2025.
HING, Nerilee. A bad bet for sports fans: the case for ending the “gamblification” of sport audiences. Sport Management Review, v. 26, n. 5, p. 788-812, 2023. DOI: 10.1080/14413523.2023.2260079. Disponível em: https://www.tandfonline.com/doi/full/10.1080/14413523.2023.2260079. Acesso em: 22 out. 2025.
HUTTER, Frank; KOTTHOFF, Lars; VANSCHOREN, Joaquin (Ed.). Automated Machine Learning: Methods, Systems, Challenges. Cham: Springer International Publishing, 2019. Disponível em: https://link.springer.com/book/10.1007/978-3-030-05318-5. Acesso em: 14 dez. 2025.
INMON, W. H. Building the data warehouse. Indianapolis, In: Wiley Pub, 2005.
JIMÉNEZ, V. et al. Sports Betting: an application of neural networks and modern portfolio theory to the English Premier League. Disponível em: https://arxiv.org/abs/2307.13807. Acesso em: 14 dez. 2025
KARLIS, D, NTZOUFRAS, I. Analysis of sports data by using bivariate Poisson models. Journal of the Royal Statistical Society: Series D (The Statistician), v. 52, n. 3, p. 381–393, 2003. Disponível em: http://www2.stat-athens.aueb.gr/~jbn/papers2/08_Karlis_Ntzoufras_2003_RSSD.pdf. Acesso em: 11 dez. 2025
KIM, Hyoun S. et al. A scoping review of the association between loot boxes, eSports, skin betting, and token wagering with gambling and video gaming behaviours. Journal of Behavioral Addictions, v. 12, n. 2, p. 309-351, 2023. DOI: 10.1556/2006.2023.00013. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10316162/. Acesso em: 22 out. 2025.
KIM, Hyoun S.; LESLIE, R. Diandra; STEWART, Sherry H.; KING, Daniel L.; DEMETROVICS, Zsolt; ANDRADE, André Luiz Monezi; CHOI, Jung-Seok; TAVARES, Hermano; ALMEIDA, Brittany; HODGINS, David C. A scoping review of the association between loot boxes, eSports, skin betting, and token wagering with gambling and video gaming behaviours. Journal of Behavioral Addictions, v. 12, n. 2, p. 309-351, 2023. DOI: 10.1556/2006.2023.00013. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34419935/. Acesso em: 22 out. 2025.
KIMBALL, Ralph; ROSS, Margy; BECKER, Bob; MUNDY, Joy; THORNTHWAITE, Warren. The Data Warehouse Lifecycle Toolkit. 2. ed., Wiley, 2008. Disponível em: https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/books/data-warehouse-dw-lifecycle-toolkit/. Acesso em: 15 nov. 2025.
LESSMANN, Stefan; SUNG, Ming‑Chien; JOHNSON, Johnnie E.V. Alternative methods of predicting competitive events: An application in horserace betting markets. International Journal of Forecasting, v. 26, n. 3, p. 518–536, 2010. Disponível em: 10.1016/j.ijforecast.2009.12.013. Acesso em: 13 out. 2025.
MANDADAPU, Purnachandra. The Evolution of Football Betting: A Machine Learning Approach to Match Outcome Forecasting and Bookmaker Odds Estimation. arXiv preprint arXiv:2403.16282, 2024. Disponível em: https://arxiv.org/abs/2403.16282. Acesso em: 13 out. 2025.
MANGAT, Harshdeep S.; GRIFFITHS, Mark D.; YU, Shu M.; FELVINCZI, Katalin; NGETICH, Ronald K.; DEMETROVICS, Zsolt; CZAKÓ, Andrea. Understanding Esports-related Betting and Gambling: A Systematic Review of the Literature. Journal of Gambling Studies, v. 40, n. 2, p. 893–914, 2024. Disponível em: https://doi.org/10.1007/s10899-023-10256-5. Acesso em: 10 nov. 2025.
MANOEL, H. Matthew Benham: Dono do Brentford fez história no mundo das apostas. Disponível em: https://www.mktesportivo.com/2025/05/matthew-benham-dono-do-brentford-fez-historia-no-mundo-das-apostas. Acesso em: 16 set. 2025.
MARCONI, Marina de Andrade; LAKATOS, Eva Maria. Técnicas de pesquisa: planejamento e execução de pesquisa, amostragens e técnicas de pesquisa, elaboração, análise e interpretação de dados. 9. ed. Rio de Janeiro: Atlas, 2021.
MATEJ, U. et al, Optimal sports betting strategies in practice: an experimental review. IMA Journal of Management Mathematics, v. 32, n. 4, p. 465–489, 2021. Disponível em: https://arxiv.org/abs/2107.08827. Acesso em: 11 dez. 2025.
MATHESON, Victor. An Overview of the Economics of Sports Gambling and an Introduction to the Symposium. Eastern Economic Journal, v. 47, n. 1, p. 1–8, 2021. DOI: 10.1057/s41302‑020‑00182‑4. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC7780080/. Acesso em: 15 nov. 2025.
MATTINEN, Topias; MACEY, Joseph; HAMARI, Juho. Gambling in digital games and esports: a scoping review. Tampere: Tampere University, 2022. Disponível em: https://trepo.tuni.fi/bitstream/handle/10024/208524/0383.pdf?sequence=1. Acesso em: 22 out. 2025.
MEDRI, Dr. Waldir. Análise Exploratória de Dados. 2011. 82 f. Tese (Doutorado) - Curso de Especialização “Lato Sensu” em Estatística, Universidade Estadual de Londrina, Londrina, 2011. Disponível em: https://docs.ufpr.br/~benitoag/apostilamedri.pdf. Acesso em: 12 dez. 2025.
PELECHRINIS, Konstantinos; WINSTON, Wayne. A Skellam Regression Model for Quantifying Positional Value in Soccer. arXiv preprint arXiv:1807.07536, jul. 2018. Disponível em: https://arxiv.org/pdf/1807.07536. Acesso em: 21 out. 2025.
RAO, K.; HASTIE, R. Predicting Outcomes in a Sequence of Binary Events: Belief Updating and Gambler's Fallacy Reasoning. Cogn Sci. 2023 Jan;47(1):e13211. doi: 10.1111/cogs.13211. Acesso em: 10 dez. 2025.
RESEARCH AND MARKETS. Sports Betting Market Report 2025. Relatório de pesquisa de mercado, mar. 2025. Disponível em: https://www.researchandmarkets.com/reports/5939406/sports-betting-market-report. Acesso em: 15 nov. 2025.
SKELLAM, J. G., The Frequency Distribution of the Difference Between Two Poisson Variates Belonging to Different Populations. Journal of the Royal Statistical Society, v. 109, n. 3, p. 296, 1946. Disponível em: https://www.jstor.org/stable/2981372. Acesso em: 14 dez. 2025.
SOARES, Josiel Ferreira. Análise Preditiva: Importância e Vantagens para os Negócios. 2018. Acesso em: https://repositorio-api.animaeducacao.com.br/server/api/core/bitstreams/b78507ee-3666-4c90-ad73-c9b693d96cf7/content. Acessado em 15 dez. 2025.
TERAWONG, Chawin; CLIFF, Dave. XGBoost Learning of Dynamic Wager Placement for In-Play Betting on an Agent-Based Model of a Sports Betting Exchange. In: INTERNATIONAL CONFERENCE ON AGENTS AND ARTIFICIAL INTELLIGENCE (ICAART), 16., 2024, Rome. Proceedings... Setúbal: SCITEPRESS, 2024. p. 1-12. Disponível em: https://arxiv.org/abs/2401.06086. Acesso em: 18 nov. 2025.
THABTAH, Fadi; ZHANG, Li; ABDELHAMID, Neda. NBA Game Result Prediction Using Feature Analysis and Machine Learning. Annals of Data Science, v. 6, n. 1, p. 103–116, 2019. DOI: 10.1007/s40745‑018‑00189‑x. Disponível em: https://ideas.repec.org/a/spr/aodasc/v6y2019i1d10.1007_s40745-018-00189-x.html. Acesso em: 13 nov. 2025.
TORRANCE, J.; O’HANRAHAN, M.; CARROLL, J.; NEWALL, P. W. S. The structural characteristics of online sports betting: a scoping review of current product features and utility patents as indicators of potential future developments. Addiction Research & Theory, v. 32, n. 3, 2023. DOI: 10.1080/16066359.2023.2241350. Acesso em: 13 out. 2025.
WALSH, Conor; JOSHI, Alok. Machine learning for sports betting: should model selection be based on accuracy or calibration? arXiv preprint arXiv:2303.06021, 10 mar. 2023 (v4 fev. 2024). Disponível em: https://arxiv.org/pdf/2303.06021. Acesso em: 21 out. 2025.
WILLIAMS, R. et. al. 10. The Definition, Dimensionalization, and Assessment of Gambling Participation. 2017. Disponível em: https://opus.uleth.ca/server/api/core/bitstreams/ebb3250e-0d19-426c-b649-70e99941450b/content. Acesso em: 16 nov. 2025.
Publicado
Como Citar
Edição
Seção
Copyright (c) 2026 Revista Processando o Saber
Este trabalho está licensiado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos publicados pertencem à Revista Processando o Saber e seguem o padrão Creative Commons (CC BY), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
