O meu primeiro modelo preditivo para apostas NBA cabia numa folha de cálculo com 12 colunas. Era tosco, lento e provavelmente tinha três erros de fórmula. Mesmo assim, nessa temporada, superou a minha intuição por uma margem que me deixou desconfortável. A lição foi clara: um modelo medíocre bate consistentemente um ser humano brilhante, porque o modelo não tem ego, não sente medo e não aposta mais depois de uma derrota. Nove anos depois, os meus modelos são mais sofisticados — mas a lição continua a mesma.
Porque Precisas de um Modelo — Mesmo que Seja Simples
Há uma resistência natural à ideia de usar modelos. Parece frio, mecânico, o oposto da intuição de quem vive e respira basquetebol. Mas o objectivo de um modelo não é substituir o conhecimento do jogo. É discipliná-lo. Sem um modelo, as tuas decisões são vulneráveis a todos os vieses cognitivos que a psicologia comportamental identifica: recência, confirmação, ancoragem, excesso de confiança. Um modelo força-te a quantificar o que acreditas e a confrontar essa quantificação com a realidade.
O mercado de apostas na NBA é um dos mais eficientes do mundo desportivo. O basquetebol, que representa entre 15 e 18% da actividade global de apostas desportivas, atrai dinheiro sofisticado — fundos quantitativos, sindicatos profissionais, algoritmos de alta frequência. Competir contra estes operadores apenas com intuição é como jogar xadrez contra um computador confiando apenas na memória. Podes ganhar alguns jogos, mas a longo prazo o resultado é inevitável.
O Modelo de Ratings — O Ponto de Partida
Comecei com o modelo mais simples que existe: um sistema de power ratings. Atribui a cada equipa um número que reflecte a sua qualidade global. A diferença entre os ratings de duas equipas, ajustada para a vantagem de casa, dá-te uma estimativa do spread. Se os Celtics têm rating 8 e os Hornets têm -3, a estimativa bruta para um jogo em Boston é Celtics -11 mais o ajuste de casa (1,5 a 2,5 pontos na NBA moderna), o que dá algo como Celtics -13.
Este modelo simples tem duas virtudes enormes: é transparente e é rápido. Em cinco minutos, tens uma estimativa para cada jogo da noite. Compara essa estimativa com a linha de mercado e identifica as divergências. Se o mercado diz Celtics -10 e o teu modelo diz -13, há potencial valor nos Celtics. Se o mercado diz -14, o valor pode estar nos Hornets.
A fragilidade deste modelo é óbvia: não considera contexto. Lesões, back-to-backs, viagens, rivalidades, motivação — tudo isto é invisível para um sistema de ratings estático. É aqui que entra o teu conhecimento do jogo como complemento, não como substituto, do modelo.
Incorporar Métricas Avançadas — ORtg, DRtg e Pace
A evolução natural do modelo de ratings é separar ataque e defesa. Em vez de um número único por equipa, trabalhas com três: offensive rating (pontos por 100 posses), defensive rating (pontos permitidos por 100 posses) e pace (posses por 48 minutos). Com estes três números para cada equipa, podes estimar não só o spread mas também o total.
A fórmula base é directa. O total estimado resulta da combinação da eficiência ofensiva de cada equipa contra a eficiência defensiva do adversário, multiplicada pelo pace esperado do jogo. Na NBA de 2026, com médias de equipa entre 110 e 112 pontos e tentativas de três pontos que atingiram 37,6 por jogo em 2025, estes cálculos produzem estimativas que, na minha experiência, estão a menos de quatro pontos do resultado real em 55-60% dos jogos.
O truque não está na fórmula — está nos dados. Uso ratings ajustados ao calendário e à qualidade dos adversários, não médias brutas. Um offensive rating de 115 contra os cinco piores defesas da liga não vale o mesmo que 115 contra as cinco melhores. Esta correcção aparentemente óbvia é ignorada por uma quantidade surpreendente de apostadores que constroem modelos.
Modelos de Regressão — O Passo Intermédio
Quando quis ir além dos ratings, o passo seguinte foi a regressão linear. Peguei em dados de três temporadas e testei quais variáveis tinham maior poder preditivo sobre o spread e o total. O resultado surpreendeu-me: o pace ajustado e o net rating dos últimos 15 jogos explicavam mais variância do que qualquer combinação complexa de 20 variáveis que testei.
A simplicidade venceu a complexidade. Esta é uma lição que aprendo e reaprendo constantemente. Modelos com muitas variáveis sofrem de overfitting — ajustam-se perfeitamente aos dados passados mas falham miseravelmente nos jogos futuros. Um modelo com três a cinco variáveis bem escolhidas é quase sempre superior a um modelo com 15 variáveis que capturam ruído em vez de sinal.
Para quem quer construir um modelo de regressão sem formação em estatística, a abordagem que recomendo é esta: escolhe as variáveis que consideras mais importantes, testa-as uma a uma contra os resultados reais de uma temporada inteira e mantém apenas as que demonstram poder preditivo consistente em pelo menos duas temporadas diferentes. Se uma variável funciona em 2024-25 mas não em 2023-24, é provavelmente ruído.
Machine Learning — Promessas e Limites
Sim, experimentei machine learning. Redes neuronais, random forests, gradient boosting — o arsenal completo. E a conclusão honesta é esta: para a maioria dos apostadores individuais, o ganho marginal sobre um bom modelo de regressão é mínimo. Os algoritmos de machine learning brilham quando tens milhões de observações. Numa temporada NBA tens 1230 jogos. Duas temporadas dão-te 2460. É uma amostra ridiculamente pequena para modelos que prosperam em big data.
Onde o machine learning pode ajudar é na detecção de interacções não-lineares que a regressão linear não captura. O efeito de um back-to-back pode ser diferente para equipas com bancos profundos vs equipas com rotações curtas. Uma rede neuronal pode capturar essa interacção sem que a definas explicitamente. Mas o risco de overfitting é proporcional à complexidade do modelo, e sem disciplina rigorosa de validação cruzada, acabas com um algoritmo que te diz exactamente o que aconteceu no passado e nada sobre o futuro.
A minha posição é pragmática: usa a ferramenta mais simples que resolve o problema. Se um modelo de ratings com ajustes manuais te dá uma taxa de acerto de 54%, um modelo de regressão pode dar-te 55% e o machine learning talvez 55,5%. A diferença entre 54% e 55% é significativa ao longo de uma temporada. A diferença entre 55% e 55,5% pode não justificar o investimento de tempo.
Validação — A Parte Que Toda a Gente Ignora
Construí um modelo espectacular na temporada 2022-23. Nos dados de treino, acertava 58% dos spreads. Estava eufórico. Depois testei-o em dados que não tinha usado para o construir — a chamada amostra fora da amostra — e a taxa caiu para 51%. Quase moeda ao ar. O modelo era um espelho perfeito do passado e um péssimo previsor do futuro.
A validação é o passo mais importante e mais negligenciado na construção de modelos. A regra mínima que sigo: nunca confies num modelo que não tenhas testado em pelo menos uma temporada completa de dados que não usaste para o construir. Idealmente, usa duas temporadas para construir e uma para validar. Se a performance se mantém estável entre as amostras de treino e validação, tens algo real. Se cai significativamente, tens overfitting disfarçado de competência.
Para quem leva isto a sério, a validação walk-forward é o padrão de ouro. Constrói o modelo com dados até ao jogo N, prevê o jogo N+1, actualiza os dados e repete. Este processo simula exactamente o que farias em tempo real e dá-te a estimativa mais honesta da performance real do teu modelo.
A Margem Realista de um Modelo Individual
Vou ser brutalmente honesto: se o teu modelo individual bater o mercado de spreads NBA em 2-3 pontos percentuais de forma consistente, és excepcional. A maioria dos apostadores profissionais trabalha com margens de 1-2% sobre o break-even. Numa temporada com 200 apostas a 100 euros por aposta, uma vantagem de 2% representa 400 euros de lucro. Não é fortuna. É o retorno de um processo disciplinado e sustentável.
A tentação de acreditar que o teu modelo é melhor do que é constitui o maior perigo desta abordagem. Quando o teu modelo mostra uma taxa de acerto de 57% numa temporada, a probabilidade de que parte desse resultado seja variância favorável é alta. A humildade estatística — saber que a tua verdadeira vantagem é provavelmente menor do que os resultados sugerem — é o que te mantém no jogo temporada após temporada.
Preciso de saber programar para construir um modelo de apostas NBA?
Não. Um modelo funcional pode ser construido numa folha de cálculo com formulas básicas. O mais importante é a lógica do modelo — quais variáveis usar e como válida-lo — e não a ferramenta. Programacao (Python, R) torna o processo mais eficiente mas não é um requisito para começar.
Qual é a taxa de acerto realista de um modelo de apostas para a NBA?
Para um apostador individual com um modelo bem construido e validado, uma taxa de acerto sustentável em spreads situa-se entre 53 e 55%. Qualquer resultado acima de 56% numa temporada deve ser encarado com cautela, porque parte desse excesso é provávelmente variância favorável e não vantagem real.
