足球也能做“波动套利”：一场访谈讲清数据怎样改变球队决策 (2026)

先给结论：足球分析的价值，是把混乱的比赛拆成可比较的选择

这期 Odd Lots 值得回听，因为两位嘉宾没有把足球数据讲成“预测谁一定赢”。Mike Treacy 和 Joris Bekkers 讲的是另一件更实用的事：球队怎样把传球、跑位、空间和身体动作拆成一连串小事件，再用这些事件判断球员值不值得买、球队哪里容易丢球、一次机会到底有多好。Treacy 的另一重身份是波动套利交易员，这正是节目把足球分析和市场交易放在一起比较的原因。1

这期节目由 Joe Weisenthal 和 Tracy Alloway 主持，嘉宾是 Apex Fintech Solutions 风险负责人 Mike Treacy，以及足球数据分析顾问 Joris Bekkers。Bloomberg 官方页面标注的发布时间是 2026 年 7 月 16 日，时长 51 分 01 秒；Omny 官方单集页也提供完整音频和同一组节目简介。1 2

为什么棒球容易统计，足球却要先学会拆动作

棒球天然由离散事件组成：投手投球，击球手挥棒，结果是安打、三振、保送或出局。足球看起来完全不同。22 名球员同时移动，球权随时改变，很多关键动作发生在镜头边缘，而且一场比赛的进球很少。早期人们因此觉得足球太流动，无法照搬棒球的 Moneyball 方法。1

Bekkers 解释，数据的发展改变了这件事。最早被广泛使用的是 on-ball data，也就是把传球、带球、射门、进球和抢断一项项记录下来。随后，追踪数据开始记录球员和足球在场上的坐标。现在的模型还可以从画面中推断球员的身体姿态，观察整个骨架怎样转身、加速和占据空间。1

这个过程可以用一条很直观的链路理解：

事件数据回答谁传了球、谁完成了射门。
追踪数据回答传球发生时，其他球员站在哪里、跑向哪里。
身体姿态数据继续追问球员当时看向哪里、怎样转髋、怎样调整脚步。

数据越密，模型能看到的动作越细，计算成本和解释难度也一起上升。Bekkers 提到，追踪系统可能每秒记录 10 到 25 帧的位置；身体骨架再给每名球员增加更多坐标。对模型来说，这是更丰富的材料；对教练来说，这仍然是一长串难以直接阅读的坐标。1

模型最后要变成一段视频，而不是一个分数

一支球队真正需要的答案通常不是“这个模型给了 0.63 分”，而是“刚才那次防守为什么让对手获得了高质量机会”。Bekkers 说，球队现在越来越依赖数据分析师完成这一步翻译：分析师先从模型中找出值得看的时段，再把对应的比赛画面剪出来，让教练直接看到发生了什么。1

模型输出可以是一段 10 秒、15 秒或 20 秒的比赛窗口，也可以是一次高概率失球的场景。分析师要把这个结果和球员位置、球队阵形、持球阶段对齐，再找到能说明问题的画面。教练看到的于是变成了“这名球员在这里没有封住传球线路”，而不是一张自己还要重新解释的表格。数据的价值在这一步落地：模型负责筛选，视频负责说明，教练负责判断是否值得改变训练和战术。1

这也是足球分析和交易模型相似、又不完全相同的地方。交易员可以直接比较模型价格和市场价格，发现差异后执行交易；教练还要把模型结果放回比赛语境。球队面对的是一个更窄的问题：怎样提高赢球机会，怎样降低降级风险，怎样避免花 3000 万英镑买来一个两年后还得处理的错误资产。Treacy 在节目中把“不要做什么”放在和“想得到什么”同样重要的位置。1

xG 能告诉你机会多好，却不能替你解释整场比赛

节目反复提醒一个容易被忽略的边界：一次射门、控球率或最终比分，都只记录了比赛的一小部分。xG，也就是预期进球，是把机会放进概率框架的一种办法。它能帮助球队比较“创造了多好的机会”，却仍然要面对裁判判罚、红牌、越位、临场选择和偶然弹跳。

VAR 让这个问题更明显。一名球员可能因为身体的一小部分越过越位线，导致进球被取消；但这次跑位、接球和射门仍然显示出他进入了危险区域。嘉宾讨论了两种处理方式：模型可以把被 VAR 否掉的结果从最终赛果里剔除，也可以保留这次动作作为“球员创造出高质量机会”的样本。究竟采用哪种方式，取决于模型想回答的是“这球最后算不算”还是“这次进攻本来有多好”。1

对控球率的讨论也很有代表性。Bekkers 认为，角球数量有时能提示一支球队是否占据主动，但电视上经常出现的控球率，未必能直接预测赛果。一个指标若无法说明球队怎样推进足球、怎样阻止对手推进，数字再醒目，对决策的帮助也有限。1

当模型开始观察无球动作，分析范围就从“发生了什么”延伸到“什么被阻止了”。Treacy 用封堵传球线路举例：球员提前站在两名队友之间，可能没有完成抢断，却让对方失去了一条向前传球的路线。球队要为这种没有发生的事件估值，模型就必须把位置、距离和下一步可能性放在一起看。1

半场不是只有休息，也是一次重新下注

足球分析暂时还没有变成“模型看到一个信号，教练几秒后就换人”。节目讨论的现实节奏更接近半场调整：模型根据创造的机会、预期控球价值和比赛走势更新判断，分析师把变化交给教练和管理层，球队在中场决定是否改变站位、压迫方式或球员任务。1

对交易员来说，比赛中的每个新事件都可能更新概率；对球队来说，五分钟的信息通常不足以把判断完全推翻。样本越长，红牌、偶然折射和裁判误判越可能在总体数据里被摊平；单场比赛里，它们又可能决定结果。模型因此更适合控制球队能控制的部分：球员是否站在正确位置、球队是否持续制造高质量机会、引援是否符合预算和阵容结构。1

MLS 的特殊规则，把球员选择变成资产配置

Treacy 目前参与 Austin FC 的数据和管理工作。他把欧洲联赛和美国职业足球大联盟（MLS）的差别，概括为球队多了一项“portfolio management”，也就是组合管理。欧洲球队通常围绕球员招募和一线队分析工作；MLS 还要处理工资帽、指定球员名额、U22 球员规则，以及联盟没有升降级制度等约束。1

同一个球员，放进不同的工资名额，价值可能完全不同。一个球员如果占用指定球员名额，表现平平就可能拖累球队；如果球员拿的是较低的薪资档位，同样的能力却可能属于这个档位里的高性价比选择。球队于是要同时问两个问题：这个人有多好，以及这个人放进哪一个成本槽位后最划算。1

这套思路还没有被 Austin FC 的成绩充分验证。Treacy 在节目中说，项目当时大约运行了九个月，球队还无法证明这种组合管理方法已经转化成积分优势。这个限定条件很重要：交易员熟悉的资产配置框架可以帮助球队提出更好的问题，却不会自动带来更好的赛季结果。1

数据越多，稀缺的越是解释能力

数据供应本身也有边界。Bekkers 回忆，他在 2016 年为英超 AFC Bournemouth 建模时，甚至不知道应该从哪里获得数据。现在市场上有供应商在球场安装摄像机，也有供应商直接从转播画面提取球员坐标，再把球场线、球员身份、球队身份和球权信息整理成文件。不同供应商的数据授权、格式和字段并不总是一致，数据归属也可能处在灰色地带。1

因此，小球队缺的往往不是一张更大的表，而是把表里的坐标变成训练动作的能力。两位嘉宾谈到，球队常常把传统球探的判断和内部模型放在一起比较：如果球探评分和模型结果差距很大，分析师、球探和管理层就要一起查原因。数据可以指出哪里反常，仍然需要人去判断这个反常来自模型、样本、战术任务，还是球员当时根本看不见队友的动作。1

播放器和摄像机看到的是坐标，球员看到的是比赛。节目提到，MLS 也在研究球员当时能看见什么、看不见什么。一次看似糟糕的选择，球员可能给出的解释是“我当时看不到”。这个信息不会出现在简单的传球统计里，却会改变教练对球员判断力和战术执行的评价。1

这期访谈的边界

这期节目最有用的地方，是把足球分析从“谁的预测最准”拉回到“球队怎样减少错误决策”。嘉宾讲清了数据从事件记录、追踪坐标到身体姿态的递进，也讲清了模型输出必须经过分析师翻译，才能进入训练、引援和比赛调整。

节目里的数据供应、MLS 管理框架和球员识别案例，都属于访谈中的解释与经验。节目没有提供一套可以直接复现的完整模型，也没有证明某个指标单独决定胜负。比赛的偶然性、数据授权、样本选择和球队目标，都会改变结论的适用范围。文章只整理正式访谈段落，音频前后出现的广告不属于节目观点。1

适合谁完整收听

如果你想知道足球俱乐部为什么会雇用数据分析师，以及一个模型怎样从球场坐标走到教练的战术板，这期值得完整听。它也适合关注量化交易、体育商业和 AI 视觉分析的读者：同一套思路在不同场景里都成立——先把连续变化拆成小事件，再判断哪些事件真的改变了决策。

完整收听入口：Odd Lots 官方 Omny 单集页 · Bloomberg Odd Lots 官方页面

Fuentes de referencia

1
Odd Lots 官方 Omny 单集页
omny.fm
2
Bloomberg Odd Lots 官方页面
bloomberg.com