点石成金：43年的网球数据如何变成预测市场印钞机？

作者：Phosphen

编译；Gans 甘斯，Bagel预测市场观察

这个男人收集了过去43年所有职业网球比赛的数据，全部输入一个机器学习模型，然后只问了一个问题：你能预测谁会赢吗？

模型只回答了一个字：能。

随后，它在今年的澳大利亚网球公开赛上，正确预测了116场比赛中的99场，准确率高达85%！

这是模型训练中从未见过的赛事，它竟然连最终冠军赢得的每一场比赛都预测对了。

这一切只用了一台笔记本电脑、免费的数据和开源的代码，出自 @theGreenCoding 之手。

接下来，我将完整拆解这个点石成金的项目，从原始数据到最终预测成功。这将是你见过的最令人印象深刻的AI + 预测成功案例。

起点：一个文件夹里的43年网球数据

故事要从一份堪称「体育数据圣杯」的资料集说起。

这份资料集涵盖了1985年至2024年，ATP（男子职业网球联合会）的每一场职业赛事记录。

破发点、双误、正手、反手、球员身高、年龄、排名、历史交手记录、比赛场地……ATP有史以来追踪过的每一项逐分统计数据，应有尽有。

四十年的CSV文件，全部装在一个文件夹里。

当他打开完整数据集时,电脑直接崩溃了。

但他没有放弃。针对数据集中的95,491场比赛,他额外计算了大量衍生特征:

• 两位球员的历史交手记录
• 年龄差、身高差
• 最近10场、25场、50场、100场比赛的胜率
• 一发得分率差值
• 破发点挽救率差值
• 一套从国际象棋借鉴的自定义ELO评分系统(关键点)

最终数据集:95,491行 × 81列。

过去四十年的每一场职业网球赛事,配上数十个手工计算的特征。

第二步：从泰坦尼克号借鉴的算法

在将数据输入分类器之前，他决定先彻底理解算法的运作原理。为此，他用 numpy 从零手写了一个决策树。

决策树的工作方式类似推理游戏——通过一系列问题逐步逼近答案。

为了说明这个概念，他选了一个完全不同的数据集：泰坦尼克号。

举个例子：11 号乘客是否存活？

• 问题一：TA 在头等舱吗？→ 是的。
• 问题二：TA 是女性吗？→ 是的。
• 预测结果：存活。

算法如何决定问哪些问题？

它从所有数据出发，找到最能区分「存活」和「未存活」的单一变量。在泰坦尼克号数据中，答案是舱位等级。头等舱乘客走一边，其他人走另一边。

但头等舱也有人遇难，仍存在「不纯度」。算法继续寻找下一个最佳分割点，性别。头等舱女性全部存活，形成「纯节点」，分支到此终止。

不断重复这个过程，直到构建出一棵覆盖所有情况的完整决策树。

他的 numpy 手写版在小数据集上表现良好，但用在 95,000 条网球比赛数据上时，速度慢得令人崩溃。于是在正式训练阶段，他切换到 sklearn 的优化版本，逻辑相同，但快得多。

第三步：找到决定胜负的关键变量

在训练模型之前，他先将所有变量两两绘制成一张巨大的散点图矩阵（SNS pairplot），寻找能够区分胜者与败者的规律。

大多数特征都是噪声。球员ID显然没用。胜率差值虽然呈现出一些规律，但不够明显，无法支撑可靠的分类器。

只有一个变量远超其他：ELO差值（ELO_DIFF）。

ELO_DIFF和ELO_SURFACE_DIFF的散点图清晰展示了两个类别之间的分离程度，其他任何特征都无法与之相比。

这一发现促使他构建了整个项目最核心的部分。

第四步：将国际象棋评分系统引入网球

ELO 是一套评估选手技术水平的方法，最早应用于国际象棋。目前国际象棋世界第一 Magnus Carlsen 的评分是 2833 分。

他决定将这套系统应用到网球上：

• 每位球员起始评分：1500 分
• 赢球：评分上升；输球：评分下降

核心机制：得失分多少取决于与对手的评分差距击败高评分对手，得分更多，输给低评分对手，扣分更重

他用 2023 年温布尔顿决赛演示这套公式：卡洛斯·阿尔卡拉斯(评分 2063)对阵诺瓦克·德约科维奇(评分 2120)，阿尔卡拉斯逆转夺冠。

代入公式计算：阿尔卡拉斯 +14 分，德约科维奇 -14 分。

计算虽简单，但应用在 43 年历史数据上时，威力惊人。

第五步：三巨头统治力的可视化证明

他将费德勒整个职业生涯的 ELO 评分绘制成曲线，从初登职业赛场到退役，每一场比赛都清晰记录。

这条曲线完整展现了一段传奇：早期的快速攀升、巅峰期（约第 400 场比赛前后）的绝对统治，以及职业生涯后期的波动起伏。

但真正震撼的，是将费德勒与 1985 年以来所有 ATP 球员放在同一张图上时：

三条曲线高高矗立，远超其他所有人——费德勒（绿）、纳达尔（蓝）、德约科维奇（红）。

「大满贯三巨头」不只是一个称号。当你将 40 年的比赛数据可视化后会发现，这种统治力在数学上清晰可见。

根据他的自定义 ELO 系统，当前世界第一是雅尼克·辛纳（2176 分），其次是德约科维奇（2096 分）和阿尔卡拉斯（2003 分）。

记住辛纳排名第一这一点，这在后面至关重要。

第六步：场地是改变一切的变量

网球比赛的场地类型会彻底改变这项运动的面貌：

• 红土：慢速，弹跳高
• 草地：快速，弹跳低
• 硬地：介于两者之间

在某种场地呼风唤雨的球员，换个场地可能完全崩溃。

所以他为三种场地分别建立了 ELO 评分：红土、草地、硬地。

结果印证了每个网球迷心知肚明的事实，并用 43 年的数据作为佐证：

纳达尔在红土上的巅峰评分，超过了费德勒在草地上的最高分，超过了德约科维奇在硬地上的最高分，超过了任何人在任何场地的历史最高峰。

14 座法网冠军，在罗兰加洛斯 112 胜 4 负。

ELO 公式不在乎叙事，不在乎名气，它只处理胜负记录。而它得出的结论，和四十年的体育新闻报道完全一致。

第七步：遇到天花板

数据准备完毕，ELO 系统搭建完成，他开始训练分类器。这个过程完美展示了算法选择的重要性。

决策树：准确率 74%

单棵决策树在完整数据集上达到了 74% 的准确率。听起来不错——直到你发现，单纯用 ELO 差值预测胜者，就能达到 72%。

决策树在他已经手动建好的评分系统基础上，几乎没有带来任何提升。

随机森林：准确率 76%

单棵决策树的问题在于「高方差」——它对训练时恰好选到的数据子集过于敏感。标准解法是随机森林：建立几十棵乃至上百棵决策树，每棵用不同的随机数据子集和特征子集训练，最后通过多数投票决定预测结果。

94 棵各不相同的决策树，共同为每场比赛投票。

结果是 76%。有所提升，但他撞上了天花板。无论怎么调整超参数、重新设计特征、折腾数据，准确率就是过不了 77%。

第八步：突破天花板

接着他尝试了XGBoost——他称之为「随机森林的类固醇版本」。

核心区别在于：随机森林并行建树后取平均，而XGBoost串行建树——每棵新树专门修正前面所有树的错误。它引入了正则化防止过拟合，并刻意保持每棵树的小规模，避免死记硬背训练数据。

结果：准确率85%。

相比随机森林76%的天花板，这是巨大的突破。同样的数据，同样的特征，唯一改变的是算法。

XGBoost同样认为最重要的三个特征是：ELO差值、场地专项ELO差值、总体ELO。这套从国际象棋借鉴来的评分系统，在81列特征中被验证为最强预测因子。

作为对比，他用同样的数据训练了一个神经网络，准确率83%。虽然不错，但仍输给XGBoost。在这个数据集上，基于树的方法获胜。

第九步：决战时刻——2025 年澳大利亚网球公开赛

以上所有内容，都基于 2024 年 12 月之前的数据训练。

2025 年 1 月的澳大利亚网球公开赛完全不在训练集中，这使它成为完美的测试场：模型究竟掌握了网球的真正规律，还是只会记忆历史模式?

他将完整的赛事签表输入模型，让它预测每一场比赛。

结果：116 场比赛中正确预测 99 场，仅失误 17 场。准确率 85.3%。

最关键的预测：模型准确预测了辛纳(那个 ELO 系统排名全球第一的球员)在整届赛事中的每一场胜利。

在第一颗球落地之前，AI 就预测出了大满贯冠军。

结语

一个人，一台笔记本电脑，没有专有数据，没有昂贵的基础设施，没有研究团队——就构建出了一套职业网球预测模型，准确率高达 85%，并在赛事开始前预测出了大满贯冠军。

网球数据就在 GitHub 上，完全可复现。

创造奇迹，从未像今天这样触手可及。

真正的差距不在资源，而在于你是否愿意去做。