A.N.D.R.E. — Adaptive Neural Dixon-coles Regularized Ensemble

Modelo predictivo de fútbol internacional (Mundial 2026) que combina un modelo estadístico clásico (Dixon-Coles), machine learning (XGBoost, red neuronal) y un modelo bayesiano jerárquico (Stan/brms), unidos por un meta-learner (stacking). Incluye una API en R (plumber) y un dashboard interactivo de un solo archivo HTML con cuotas de mercado en vivo.

Autor: Andre (@s7ex.j)

Específico en partidos de Copa del Mundo 2026 (n=88, hasta cuartos de final): stacking 62.5% accuracy, RPS 0.167 — significativamente mejor que el promedio simple (bootstrap, p<0.05), aunque contra XGBoost/red neuronal solos la diferencia todavía no es concluyente con esta cantidad de partidos.

El stacking es además el modelo mejor calibrado de los 5 (brecha promedio 0.022 en un diagnóstico de 10 bins) — ver scripts/09e_calibration_diagnostics.R.

.
├── data/
│   ├── results.csv            # dataset fuente (martj42/international_results, 1872-2026)
│   └── team_name_map.csv      # unificación de nombres históricos de selecciones
├── scripts/
│   ├── 01_data_prep.R         # limpieza, target 1X2, peso de importancia, unificación de nombres
│   ├── 02_elo_ratings.R       # rating Elo dinámico pre-partido
│   ├── 03_dixon_coles.R       # Dixon-Coles walk-forward, gradiente analítico
│   ├── 04_feature_engineering.R
│   ├── 05_model_xgboost.R
│   ├── 06_model_bayesian_mcmc.R  # Stan/brms, partial pooling jerárquico
│   ├── 07_model_deep_learning.R
│   ├── 08_ensemble.R          # stacking (glmnet) + calibración isotónica
│   ├── 09_evaluation.R
│   ├── 09b_evaluation_worldcup.R  # accuracy específica en partidos de Mundial
│   ├── 09c_significance_test.R    # bootstrap, significancia (Mundial)
│   ├── 09d_significance_full.R    # bootstrap, significancia (test completo)
│   ├── 09e_calibration_diagnostics.R
│   └── 10_build_team_state.R  # snapshot diario para servir la API
├── api/
│   ├── plumber.R              # API REST (endpoints /health, /predict)
│   ├── predict_match.R        # lógica de predicción en vivo
│   └── Dockerfile             # para desplegar la API
├── Dashboard/
│   └── andre_mundial2026.html # dashboard de un solo archivo (sin build step)
├── pipeline.R                 # corre todos los scripts en orden
└── docs/
    ├── BITACORA_DECISIONES.md # bugs encontrados, fixes y decisiones metodológicas
    └── API.md                 # cómo levantar, conectar y desplegar la API

output/ (modelos entrenados, .rds) se genera localmente al correr el pipeline — no se versiona (ver .gitignore). Igual los CSV intermedios (results_clean.csv, model_features.csv, ensemble_predictions.csv, etc.): son regenerables desde data/results.csv + los scripts, así que no tiene sentido versionarlos.

1. Todo es walk-forward / pre-partido. Elo, Dixon-Coles y la forma reciente usan solo información anterior a cada partido — nunca el rating "final" de un equipo para predecir un partido de hace años.
2. Dixon-Coles se reajusta cada 90 días, con decaimiento temporal exponencial y gradiente analítico derivado a mano (~90 reajustes en 0.3s cada uno vs. >2min con diferencias finitas).
3. Regularización (ridge en Dixon-Coles, partial pooling jerárquico en el modelo bayesiano) para que selecciones con pocos partidos no generen goles esperados absurdos.
4. Split temporal, nunca aleatorio. Todo el test set es posterior a todo el train set.
5. Calibración isotónica por modelo antes de promediar/stackear, y stacking vía meta-learner (glmnet) en vez de promedio simple — está medido que el stacking es tanto más preciso como mejor calibrado.
6. Ventaja de local NO se anula en cancha neutral durante el entrenamiento (decisión deliberada, no un descuido — ver docs/BITACORA_DECISIONES.md): probamos anularla y el accuracy empeoró, porque incluso en partidos "neutrales" el equipo etiquetado home_team en los datos conserva señal real. En cambio, al servir una predicción de un partido hipotético (ej. un cruce de Mundial que todavía no se define quién es "local"), la API sí trata el partido como neutral sin ventaja, porque ahí no existe un local real.

install.packages(c("dplyr","data.table","lubridate","glmnet","nnet","xgboost",
                    "rstan","brms","plumber","jsonlite"))

rstan/brms necesitan un compilador de C++ instalado (Rtools en Windows). El modelo bayesiano (06_model_bayesian_mcmc.R) es opcional — el resto del pipeline corre sin él, simplemente no se suma al ensamble.

source("pipeline.R")

Esto corre los 14 scripts en orden y deja todo listo en data/ y output/.

setwd("api")
library(plumber)
pr <- plumb("plumber.R")
pr$run(port = 8000)

GET  /health   -> {"status":"ok","snapshot_date":"...","n_teams":333}
POST /predict  -> {"home_team":"Brazil","away_team":"Argentina","neutral":true,"importance":1.0}

Para desplegarla en internet (no solo localhost), usa el Dockerfile incluido con Render, Railway o Fly.io.

Dashboard/andre_mundial2026.html es autocontenido (y se publica en GitHub Pages) — ábrelo directo en el navegador, no necesita servidor ni build step. Incluye:

• Selector de partido con el bracket real del Mundial 2026 (octavos → final, incluyendo escenarios hipotéticos para cruces aún no definidos)
• Comparación de probabilidades del modelo vs. cuotas de mercado en vivo (The Odds API, tier gratis)
• Cálculo de %EDGE y cuota justa por mercado (1X2, over/under 2.5, ambos anotan)
• Mapa de calor de marcadores probables, backtest real, calibración
• Vista previa móvil real (iframe con viewport propio)
• Conexión opcional a la API en vivo (arriba) para usar los modelos entrenados reales en vez de la heurística Elo→Poisson

Usé un asistente de IA (Claude) durante el desarrollo, sobre todo para auditar el pipeline, depurar la API y redactar parte del código y la documentación. Las decisiones metodológicas y los resultados se validaron corriendo el pipeline sobre los datos reales; los errores que esa auditoría encontró, y una decisión que revertí tras medirla, están en docs/BITACORA_DECISIONES.md.

MIT — ver LICENSE.

Este proyecto es una herramienta informativa/educativa para explorar modelado estadístico y de machine learning aplicado a fútbol. No es asesoría financiera ni garantía de resultados. Apostar conlleva riesgo real de pérdida.