TRADING FINANZIARIO VS SPORT TRADING NEL 2025
- Star Consulting
- 23 giu
- Tempo di lettura: 10 min
In finanza l’azione è un titolo che genera utili; nel trading sportivo l’“oggetto” scambiato è invece una probabilità implicita che scade quando l’evento finisce.
Ciò produce una micro-struttura unica: spread più larghi, liquidità irregolare e forte dipendenza dal tempo di gioco.
Lo studio che stiamo riassumendo apre proprio con questo confronto, trattando gli exchange sportivi come un laboratorio dove testare tecniche nate a Wall Street .
Ricorda: non stai comprando un’azione, stai comprando “% che si verifichi un evento” ad esempio di un gol (nel calcio) o di un break (nel tennis).
Capire come quella percentuale si muove nel tempo è la base di ogni edge.
1 Dalla Borsa a Betfair: analisi
1.1 Tick e spread
Su un exchange sportivo ogni prezzo possibile (quota) non è un numero continuo ma un elemento di una scala pre-fissata. Betfair ne usa 351, da 1,01 fino a 1 000. È come una scala graduata: puoi fermarti solo sui gradini disponibili, non fra un gradino e l’altro.
“Passo” o tick-size è dunque la distanza fissa fra un gradino e il successivo in quella fascia di prezzo.
351 prezzi significa che, percorsa l’intera scala (1,01 → 1 000), contiamo 351 gradini esatti.
Perché il passo conta?
Finezza del prezzo. Se la tua valutazione teorica è quota 1,83 ma sul book vedi 1,82 e 1,84, devi scegliere: paghi leggermente di più o vendi leggermente di meno.
Il tick impone questa “frizione”.
Spread inevitabile. Il miglior back e il miglior lay non potranno mai coincidere se cadono su gradini diversi; la distanza minima fra loro è proprio un tick.
Ecco perché, anche in mercati molto liquidi, lo spread percentuale resta più largo di quello azionario: sul favorito a quota 1,50 (tick 0,01) lo spread minimo è 0,67 %; su un underdog a quota 5,0 (tick 0,10) diventa 2 %.
Riduzione di slippage. Sapere dove si trovano i “gradini” aiuta a piazzare ordini in anticipo sul passo inferiore (per comprare) o superiore (per vendere), catturando spesso un fill migliore rispetto a chi entra “di mercato” premendo semplicemente —> Back o Lay.
1.2 Liquidità e “virtual liquidity”
Liquidità realeIn Borsa la liquidità viene da market-maker e flussi istituzionali; sull’exchange è fornita dai player sportivi stessi.
Ogni volta che tu metti un back in coda, stai letteralmente “creando” offerta di acquisto per chi vorrà layare. Il volume disponibile in prima linea del book può quindi salire o scendere bruscamente, specie in orari morti o su campionati minori.
Betfair Virtual: cos’èPer ridurre buchi di book, Betfair applica un algoritmo di cross-matching: se qualcuno piazza un lay molto generoso sull’esito A a quota 3,0 e nessuno vuole prenderlo, il sistema cerca un back equivalente sugli altri esiti (B o X) che “chiuda” matematicamente l’operazione.
Quell’abbinamento appare sullo schermo come liquidità “blu” (back) o “rosa” (lay) sebbene in realtà non esista ancora un controparty diretto: è la virtual liquidity.
Vantaggio pratico: vedrai più soldi caricati, quindi maggior chances di fill; il prezzo si muove in passi più morbidi.
Caveat: in eventi di bassa liquidità, la componente “virtual” può svanire all’istante se il modello di cross-matching cambia stima.
Chi lavora con bot automatici deve tenere conto di questo rischio di filling che non si materializza.
Pre-play vs in-play
Pre-play: la maggior parte del denaro arriva negli ultimi 5–10 minuti (picco “mad rush”). Spread si stringono; buona occasione per essere market-maker.
In-play: il volume totale può superare il pre-play, ma distribuito a “ondate” attorno a goal, break, espulsioni. Profondità del book meno stabile; spread si allargano subito dopo lo shock e poi si richiudono.
Take-away per chi opera manualmente: se vuoi piazzare grosse cifre senza slippage, fallo o nel mad-rush pre-kick-off o subito dopo che il mercato si è “ristabilizzato” a evento assorbito.
1.3 Commissioni
L’exchange trattiene l’1-5 % sulle vincite; un trader istituzionale in Borsa paga ~0,12 %. Quindi sullo sport il costo di transazione è strutturalmente più alto, e il tuo modello deve superarlo prima ancora di produrre profitto .
1.4 Regole di esecuzione
Priorità prezzo-tempo
Prezzo: un ordine a quota 2,00 batte sempre uno a 2,02 se stai comprando (back), perché “paga” di più l’altro giocatore.
Tempo: tra due ordini identici vince quello inserito prima, millisecondi inclusi.
Implicazione pratica: i bot con connessioni API a bassa latenza tendono a “sedersi davanti” ai click manuali.
Tipi di ordine
Limit Back/Lay: la modalità usata dal 99 % dei trader; resta in coda finché non trova controparte.
SP (Starting Price): Betfair calcola un prezzo medio al fischio d’inizio incrociando domanda e offerta. Utile se non puoi seguire il flusso pre-match ma vuoi comunque entrare.
Keep / Cancel-IF-Suspend: flag che decide se l’ordine sopravvive alla sospensione in-play o viene cancellato. Fondamentale negli sport con pause imprevedibili (var, infortuni).
Margine e leva
Nessuna leva: per layare 100 € su quota 5, devi avere 400 € di liability cash sul conto (5 × 100 − stake).
Vantaggio: zero rischio di margin-call notturne stile futures.
Svantaggio: impatto diretto sulla “rotazione del bankroll”. Un istituzionale in Borsa usa 10-20 × di leva; qui fai tutto “a capitale pieno”.
Assenza di dark-pool
Ogni ordine appare nel book pubblico.
Non esistono canali OTC o crossing network privati: la trasparenza è totale ma lo information leakage è inevitabile.
Un “whale” che piazza 50 000 € in avanti può spostare prezzo e inviare un segnale di forza al mercato: chi analizza il flusso degli ordini tenterà di seguirlo (“order-flow trading”).
Messaggio chiave: per il player medio la frizione economica non è il broker ma lo spread + la commissione; imparare a “mettersi in coda” dalla parte giusta del book riduce subito il costo di ingresso.
2 Micro-struttura del prezzo in-play
Quando la partita parte, il prezzo non segue più un trend finanziario classico:
Calcio – senza gol la quota del favorito scende minuto dopo minuto; un’espulsione fa “saltare” la curva di diverse decine di punti .
Tennis – gli scambi sono modellati come una catena di punti: ogni break point genera una micro-esplosione di volatilità.
Ippica – il drift è lineare ma con scatti improvvisi (jumps) quando un cavallo accelera o sbaglia traiettoria .
Gli exchange sospendono automaticamente il mercato a ogni evento chiave, riaprendo dopo pochi secondi con un nuovo book: un circuito-breaker molto più frequente di quelli di Borsa
Il tempo gioca contro la tua posizione; sapere quando arriva di solito il gol o il break equivale a prevedere la direzione naturale del prezzo.
3 Statistica pre-game e in-play
Fase pre-game
I primi modelli usavano una Poisson semplice per contare i gol; aggiornamenti successivi (doppia Poisson o Negative-Binomial) hanno introdotto la correlazione attacco-difesa e l’extra-varianza del calcio reale .
Scopo: stimare la “quota equa” prima del fischio d’inizio e trovare differenze con il mercato.
Esempio pratico: se il modello dice 40 % di vittoria (quota = 2,50) ma l’exchange paga 2,90, c’è un margine positivo del +16 %.
Fase in-play
Qui servono modelli dinamici. Il Constant Intensity Model tratta il gol come un evento con intensità costante finché non succede, producendo drift prevedibile; il Local Intensity Model lascia che l’intensità cambi con lo stato di gioco, somigliando al “local volatility” dei derivati finanziari .
Dividere il lavoro in pre e live aiuta a non mescolare dati lenti (forma storica) con impulsi rapidi (cartellini, infortuni).
4 Machine Learning e Reinforcement Learning
Perché serve l’AI nei mercati di trading sportivo
Quando i modelli classici (Poisson, regressioni, Bayes semplice) iniziano a perdere potenza predittiva — perché le variabili diventano centinaia, i dati arrivano ogni secondo e il mercato reagisce in millisecondi — occorre automazione adattiva.
Le tecniche di machine learning (ML) apprendono dai dati invece di essere programmate a mano; quelle di reinforcement learning (RL) spingono ancora oltre, facendo sì che un agente sperimenti, misuri il profitto e cambi strategia da solo.
Nel white-paper UCL queste due famiglie sono indicate come la “seconda ondata” dopo i modelli Poisson → Bayes, con casi d’uso sia “prediction” sia “execution” .
Hidden Markov Model (HMM) – fotografia degli “stati nascosti”
Cos’è un HMM è un algoritmo che assume che un processo (es. una partita di tennis) passi da uno “stato” all’altro: equilibrio, break-point, set-point, ecc.
Lo stato vero non è osservabile, ma possiamo intuire in quale ci troviamo guardando dati visibili — punteggio, servizi vinti, velocità di palla.
Perché funziona nello sport
Gli sport “a punti” come tennis, volley o ping-pong sono naturali sequenze di stati; ogni punto cambia il contesto in modo discreto.
Il modello può aggiornarsi dopo ogni colpo, producendo curve di quota che si muovono in anticipo rispetto al book “umano” (che di solito reagisce solo a break o game terminati).
Esempio pratico
Definisci 3 stati: “serve ok”, “pressione”, “pericolo break”.
Osserva due variabili facili da catturare in diretta feed: velocità prima di servizio e posizione di risposta.
L’HMM apprende la probabilità di transizione: ad esempio 0,20 per passare da “serve ok” a “pericolo break”.
Se la sequenza delle ultime 5 osservazioni fa salire la probabilità “pericolo break” al 60 %, il prezzo del favorito dovrebbe salire (è più rischio per lui).
Con dataset di broadcast annotati a mano, modelli HMM in tennis hanno prodotto margini del 3,8 % su orizzonti pluristagionali .
Take-away operativo: l’HMM non indovina il vincitore con la sfera di cristallo; riduce il ritardo informativo tra l’azione sul campo e il book, offrendo piccole finestre dove anticipare il mercato.
LSTM — “memoria a lungo termine” per sequenze complesse
Che cosa è la sigla sta per Long Short-Term Memory: una rete neurale che ricorda ciò che è successo decine di passi prima e decide cosa tenere e cosa “dimenticare”.
È ideale quando il contesto si accumula nel tempo: possesso palla, passaggi progressivi, stanchezza dei giocatori.
Perché serve nel calcio o nel basket
Nel calcio, un possesso di 20 passaggi costruito pazientemente vale più di due lanci lunghi casuali.
Un LSTM che ingurgita posizioni X-Y del pallone, velocità, tiri, pressioni può riconoscere pattern di 10-15 secondi che portano al gol — informazioni troppo sottili per un modello lineare.
Prestazioni tipiche
Uno studio del 2020 su serie storiche di partite di Premier League ha mostrato che un LSTM con feature spazio-temporali raggiungeva il 63 % di accuracy su “goal nei prossimi 5 minuti”, superando logistic regression del 10 % netto .
Altri lavori citati nel paper riportano miglioramenti comparabili in basket e handball .
Come si applica al trading sportivo
Input facili: feed provider StatsPerform invia in JSON posizione palla e giocatori ogni 0,2 s.
Pre-process: si “impacchettano” 10 s di gioco in un vettore (palla, 22 giocatori → 46 coordinate).
Output del modello: probabilità gol_t+30s = 0,12.
Uso operativo: se la quota “prossimo gol squadra A” implica 5 % (quota 19) ma l’LSTM dà 12 % (quota 8,3) hai un margine > 10 %.
Suggerimento per chi inizia: allena l’LSTM offline con open-data (es. Wyscout free dataset), poi testa in demo-mode in tempo reale; evita di buttarti live con modelli non validati, l’overfitting è dietro l’angolo.
4.3 Reinforcement Learning (RL) – far “imparare” il bot a fare trading
Concetto baseDiverso dal “predire un numero”, RL è decisione sequenziale: un agente osserva lo stato (prezzi nel book, tempo di gara, inventario), esegue un’azione (back, lay, cancella, sposta quota), riceve una ricompensa (profitto al netto dei costi) e aggiorna la propria strategia per fare meglio la volta successiva.
Schema semplificato per copy-book
stato = [prezzo_back, prezzo_lay, spread, tempo_gara, edge_modello]
azione = policy(stato)
profitto = PnL(azione)
policy ← policy + learning_rate * profitto
Perché entusiasma i quant
Nel paper viene citato Moody & Saffell, pionieri dell’“RRL” che già nel 2001 ottimizzavano sharpe ratio in Borsa .
Studi recenti applicano RL al market-making: l’agente decide dove incolonnarsi sul “ladder” per catturare spread minimizzando inventario e latenza .
Applicazioni possibili negli sport (ancora di nicchia)
Scalping automatizzato in in-play: l’agente piazza back e lay distanti 1 tick; se riempito da entrambe le parti incassa spread e riparte.
Hedging dinamico: dopo un gol, il bot ricalcola il portafoglio e decide se coprire con mercati Over/Under.
Selezione di mercato: agente multi-sport che sceglie se entrare su calcio, tennis o cavalli a seconda della liquidità del momento.
Vantaggi
Adatta la strategia a condizioni mutate (es. spread più larghi di notte).
Integra multipli obiettivi: profitto, costo di transazione, rischio inventario.
Limiti pratici
Serve molto storico di simulazione per convergere; se i dati costano (feed licenziati) il budget può diventare un vincolo.
La “ricompensa differita” può portare a comportamenti miopi se mal definita (es. bot che chiude troppo presto per evitare varianza).
Trucco operativo: parti con un ambiente simulato (“replay” di book storici) per addestrare il bot; poi lancia live in size ridotto e lascia che continui a “fine-tuning” sul campo.
4.4 Dalla teoria alla pratica — roadmap per il player sportivo
Raccogli dati
Pre-game gratuiti (FiveThirtyEight, FootyStats) per allenare prototipi.
In-play feed a pagamento (StatsPerform, Sportradar) per lo stadio avanzato.
Scegli il modello in base allo sport
Tennis, volley: HMM o modelli Markov a stati chiari.
Calcio, basket: LSTM o CNN-LSTM su tracking-data.
Mercato puro: RL market-maker per spread capture.
Validazione
Split stagione per stagione, non per partita, per evitare leakage temporale.
Metrica semplice: “edge medio” = prob_modello – prob_market, testata su migliaia di eventi.
Deployment
Bot API Betfair, modalità limit con flag “keep” sugli ordini che devono sopravvivere al sospend.
Logga ogni passo (stato, azione, reward) per audit e cost tuning.
Manutenzione
Aggiorna i modelli ogni 3-4 settimane, gli sport cambiano (infortuni, tattiche).
Monitora “decay dell’edge”: se scende sotto i costi vanno raffinate feature o strategia.
Che cosa portarsi a casa
HMM ti fa vedere dietro il velo degli “stati nascosti” — ottimo per sport punto-a-punto.
LSTM coglie pattern lunghi e non lineari — perfetto quando i dati di posizione e velocità abbondano.
RL trasforma un modello predittivo in un bot che esegue, ottimizzando profitto, rischio e costi in modo autonomo.
Integrare anche solo uno di questi strumenti nella routine di un player sportivo significa ridurre il “gap di latenza cognitiva” con il mercato e spostare la curva delle aspettative a proprio favore.
E, come afferma il white-paper, il campo è ancora poco battuto in termini di RL applicato allo sport: chi entra adesso può godere di un vantaggio di pionierismo non banale .
Il nostro approfondimento dimostra che il trading sportivo quantitativo è oggi dove l’HFT finanziario era vent’anni fa: infrastruttura già predisposta (API, co-location logica via feed), ma mercato ancora segmentato, con spread larghi e modelli datati.
Per i professionisti del gaming sportivo questo significa una frontiera aperta: chi padroneggia micro-dati, modelli Bayesiani e tecniche di execution automatica può estrarre edge percentuali replicabili.
Il futuro vedrà probabilmente: tick-size ottimizzati, commissioni in discesa, maggiore ingresso istituzionale; tuttavia la varietà degli sport, l’eterogeneità regolatoria e l’asimmetria informativa garantiranno sacche di inefficienza per anni.
In sintesi, la fusione fra cultura quant, discipline di risk management e conoscenza dello sport è il percorso obbligato per chi vuole comprare probabilità a sconto e farle emergere in profitto costante.
