La règle d'or avant tout le reste
Avant de plonger dans les types de critères et leurs calibrages, voilà la règle la plus importante de ce guide : définis tes critères AVANT de regarder les résultats historiques.
Si tu choisis tes critères après avoir regardé ce qui aurait fonctionné dans le passé, tu ne construis pas une stratégie — tu construis une description du passé. Et cette description du passé ne fonctionnera probablement pas dans le futur.
Commence par définir la logique de ta stratégie (pourquoi ce type de match devrait être profitable ?), puis définis les critères qui mesurent cette logique, puis backteste.
Les grandes familles de critères
1. Critères de forme récente
Ces critères mesurent ce que les équipes ont fait récemment — sur leurs derniers matchs. Ils capturent la dynamique actuelle : est-ce que l'équipe joue actuellement de façon offensive ou défensive ?
- % de matchs Over 2.5 sur les N derniers matchs (domicile / extérieur séparément)
- % de matchs où l'équipe a marqué au moins 1 but
- % de matchs nuls sur les N derniers matchs
- Nombre de victoires/défaites consécutives
- Buts marqués et encaissés sur les N derniers matchs
Quand les utiliser : principalement pour détecter les changements de forme récents, les équipes en dynamique offensive ou défensive.
2. Critères de moyenne structurelle
Ces critères mesurent le "caractère profond" d'une équipe — indépendamment des fluctuations de courte durée. Ils répondent à la question : "quel type d'équipe est-ce structurellement ?"
- Moyenne de buts marqués par match à domicile sur la saison
- Moyenne de buts encaissés à l'extérieur sur la saison
- % Over 2.5 dans la ligue sur la saison complète
Quand les utiliser : pour identifier les équipes avec un profil structurellement favorable à ton marché.
3. Critères de marché (cote)
La cote elle-même est une information. Elle reflète la probabilité estimée par le marché (Pinnacle notamment). Elle peut être utilisée comme filtre.
- Fourchette de cote minimum/maximum (ex: 1.70 à 2.35 pour Over 2.5)
- Variation de la cote depuis l'ouverture (steam move)
- Comparaison avec la cote de référence Pinnacle
4. Critères contextuels
- Confrontations directes (H2H)
- Phase de la saison (début = instabilité, fin = matchs sans enjeu)
- Enjeu du match (titre, relégation, qualification)
- Fatigue (nombre de jours depuis le dernier match)
La fenêtre temporelle — Combien de matchs prendre en compte ?
C'est l'un des paramètres les plus débattus. Il n'existe pas de réponse universelle, mais voilà un guide pratique :
| Fenêtre | Avantage | Inconvénient | Usage recommandé |
|---|---|---|---|
| 5 matchs | Capte la forme immédiate | Très volatile — 1 match change tout | Complément de la forme récente |
| 10 matchs | Bon équilibre | Peut rater les tendances longues | Critères de forme récente |
| 15 matchs | Stable et représentatif | Moins réactif aux changements récents | Critères principaux recommandés |
| Saison complète | Très stable, représentatif du style | Ignore la forme récente | Critères structurels |
Le calibrage des seuils — Ni trop haut, ni trop bas
Chaque critère a un seuil — la valeur minimum (ou maximum) pour qu'un match passe le filtre. Ce seuil doit être :
- Logiquement justifiable : pourquoi 60% et pas 55% ou 65% ? Quelle est la logique ?
- Suffisamment sélectif : trop permissif = trop de picks sans valeur ajoutée
- Pas trop restrictif : trop strict = volume insuffisant pour que l'edge s'exprime
Exemple pour Over 2.5 — calibrage des seuils :
| Critère | Trop permissif | Recommandé | Trop restrictif |
|---|---|---|---|
| % Over 2.5 ligue | ≥ 35% | ≥ 45-50% | ≥ 65% |
| % Over 2.5 dom (15 matchs) | ≥ 45% | ≥ 55-65% | ≥ 80% |
| Moy. buts combinée | ≥ 2.0 | ≥ 2.5 | ≥ 3.5 |
| Cote minimum | ≥ 1.50 | ≥ 1.70 | ≥ 2.00 |
L'overfitting — Le danger principal
L'overfitting (surapprentissage) consiste à ajuster ses critères jusqu'à trouver ce qui aurait parfaitement fonctionné dans le passé. C'est extrêmement tentant mais catégoriquement contre-productif.
Comment ça se passe en pratique : tu testes "% Over 2.5 ≥ 55%" et tu obtiens un ROI de +8%. Tu testes "% Over 2.5 ≥ 60%" et tu obtiens un ROI de +14%. Tu testes "% Over 2.5 ≥ 63%" et tu obtiens un ROI de +21%. Tu choisis 63%.
Problème : en testant ainsi de nombreuses valeurs et en choisissant la meilleure, tu as adapté ton modèle au bruit du passé, pas à un signal réel. Les résultats futurs s'effondreront.
La solution : la séparation train/test
Divise tes données historiques en deux parties :
- Période d'entraînement (ex: saisons 2020-2022) : tu définis et calibres tes critères sur cette période
- Période de test (ex: saisons 2023-2024) : tu valides que ça fonctionne sur des données que tu n'as jamais vues
Si tes résultats sont bons sur les deux périodes, tu as probablement un vrai edge. Si tes résultats s'effondrent sur la période de test, tu avais overfit la période d'entraînement.