Una cuota te dice cuánto te pagan si aciertas. Pero esconde también cuánto se queda la casa. Hemos revisado 235.796 partidos de fútbol reales, de 2000–2026, para ver si las cuotas son justas y si alguna forma de apostar sale a cuenta.
Leer en modo
El modo sencillo explica las ideas sin jerga. El técnico añade fórmulas, métodos y código.
235.796
partidos reales analizados, con sus cuotas y su resultado
6,28 €
se queda la casa de cada 100 € apostados en un partido típico
-36 %
pierde de media quien apuesta a las grandes sorpresas (cuotas de 15 a 25)
0 / 8
formas sencillas de apostar que ganaron dinero en diez años
La comisión escondida en la cuota
Imagina que apuestas a cara o cruz con una moneda normal. Lo justo sería que, si aciertas, te devolvieran el doble: una cuota de 2,00. Una casa de apuestas no te daría 2,00, te daría algo como 1,90, tanto a cara como a cruz. Esa pequeña diferencia es su comisión: pase lo que pase, a la larga se queda con una parte de todo lo que se apuesta.
En el fútbol pasa lo mismo con los tres resultados posibles (gana el local, empate o gana el visitante). La comisión no aparece por ningún lado, pero se puede calcular a partir de las cuotas. Escribe las de cualquier partido:
Calculadora de la comisión
Escribe las cuotas decimales de un partido (local, empate, visitante) y mira cuánto se queda la casa.
Probar con:
Comisión de la casa4,05 %
Por cada 100 € repartidos «en justo» entre los tres resultados, la casa se queda 3,90 €. Una apuesta devuelve de media 0,961 € por euro.
Cuota
Implícita
Proporcional
Potencia
Probabilidad sin comisiónShin
Te devuelve por cada 1 €
Local
1,85
54,1 %
51,9 %
52,7 %
52,5 %
0,971 €
Empate
3,60
27,8 %
26,7 %
26,4 %
26,5 %
0,954 €
Visitante
4,50
22,2 %
21,4 %
20,9 %
21,0 %
0,945 €
Σ
104,1 %
100,0 %
100,0 %
100,0 %
La probabilidad sin comisión se estima con el método de Shin. La última columna es lo que te devuelve de media cada euro apostado a ese resultado.
TécnicoProbabilidad implícita, margen y cómo quitarlo
Una cuota decimal o implica una probabilidad π = 1/o. En un mercado 1X2 las tres suman más de uno; el exceso es el margen u overround:
margen = 1/o₁ + 1/oₓ + 1/o₂ − 1
Para recuperar probabilidades que sumen uno hay varios métodos. El proporcional normaliza πi/Σπ. El de potencia busca k tal que Σπik = 1. El de Shin (1993) supone que una fracción z del dinero viene de apostadores con información privilegiada y que la casa se protege acortando las cuotas altas; se resuelve numéricamente para z. Potencia y Shin recortan más las probabilidades pequeñas. En nuestros datos, la z mediana de Shin es 3,3 %.
Lo que pierde de media quien apuesta es margen / (1 + margen) de lo apostado.
La comisión de la casa se ha reducido a la mitad desde 2000… pero sigue ahí
Comisión típica en cada temporada, en porcentaje. Naranja: una casa grande. Azul: si pudieras elegir siempre la mejor cuota entre unas 17 casas.
Overround mediano por temporada, mercado 1X2, todas las ligas. Casa de referencia (Bet365) frente a la cuota máxima publicada entre ~17 casas.
Una casa grande (Bet365)
La mejor cuota de ~17 casas
Fuente: Football-Data.co.uk vía xgabora/Club-Football-Match-Data. Cálculo propio. La «mejor cuota» es el máximo publicado por cualquier casa: en la práctica no siempre se puede apostar a ese precio.
En el año 2000 la casa se quedaba con cerca del 13 %. Con la llegada de las apuestas online y la competencia bajó hasta alrededor del 7 %, y ahí se ha quedado. Pero no cobra igual en todas partes: en las ligas más seguidas, como la Premier League o LaLiga, la comisión es más baja. En las divisiones inferiores y las ligas pequeñas, donde menos gente mira, cobra casi el doble.
Cuanto menos seguida es una liga, más cobra la casa
Comisión típica por liga desde la temporada 2019/20.
Overround mediano de la casa de referencia por liga, temporadas 2019/20 a 2026/27.
Selección de 16 ligas. La tabla incluye todas.
¿Aciertan las casas?
Que la casa cobre no quiere decir que se equivoque. Para comprobarlo tomamos todos los resultados a los que las cuotas daban, por ejemplo, un 30 % de posibilidades, y contamos cuántas veces ocurrieron de verdad. Si las cuotas fueran perfectas, habrían ocurrido justo un 30 % de las veces. En el gráfico, eso sería que los puntos caen sobre la línea diagonal.
Las cuotas aciertan mucho… salvo con las sorpresas y los grandes favoritos
Horizontal: lo que decían las cuotas. Vertical: lo que pasó de verdad. Cada punto agrupa miles de resultados.
Diagrama de fiabilidad: probabilidad implícita (método proporcional) frente a frecuencia observada, 20 intervalos, temporadas 2012/13 a 2026/27. Barras: IC del 95 % de Wilson.
Lo que pasó de verdad
Acierto perfecto
En la zona central las cuotas aciertan de forma asombrosa. Pero fíjate en los extremos. A la izquierda, los puntos quedan por debajo de la línea: las sorpresas pasan menos de lo que dicen sus cuotas. A la derecha, por encima: los grandes favoritos ganan más de lo que se paga por ellos. Dicho de otra forma, la casa paga peor precisamente las apuestas más tentadoras, las que prometen mucho dinero por poco. Los economistas lo llaman sesgo favorito–sorpresa, y es de los resultados más repetidos en el estudio de las apuestas.
TécnicoCalibración e intervalos de confianza
Se agrupan las probabilidades implícitas (sin margen, método proporcional) de los tres resultados de cada partido en 20 intervalos de ancho 5 %, y en cada uno se compara la probabilidad media predicha con la frecuencia observada. Los intervalos de confianza del 95 % usan el método de Wilson, más estable que la aproximación normal con proporciones extremas. Se descartan los intervalos con menos de 200 observaciones.
Soñar con la sorpresa sale caro
Llevado a dinero: si apostaras 1 € a todos los resultados muy probables (cuotas entre 1,25 y 1,50), perderías de media 0,02 € por euro. Si apostaras a todas las grandes sorpresas (cuotas entre 10 y 15), perderías 0,28 € por euro: más de diez veces más.
Cuanto más alta la cuota, peor el trato
Lo que se gana o se pierde de media por cada euro apostado, según la cuota. Las rayitas negras marcan el margen de error.
ROI medio de apostar 1 unidad a cada resultado del tramo, temporadas 2012/13 a 2026/27. Intervalos del 95 % por bootstrap (1.000 réplicas).
Una casa grande (Bet365)
La mejor cuota de ~17 casas
Incluso a la mejor cuota del mercado, las sorpresas pierden dinero. Las pequeñas ganancias con favoritos a la mejor cuota desaparecen en la práctica: esas cuotas duran poco y las casas limitan a quien gana.
Ocho formas de apostar, diez años de partidos
¿Y si en vez de apostar con el corazón se sigue una regla fija? Probamos ocho con los 113.026 partidos de las últimas diez temporadas, 1 € por partido: apostar siempre al equipo local, al empate, al visitante, al favorito, a la sorpresa, al azar, al favorito buscando la mejor cuota del mercado y lo que recomendaría un modelo estadístico.
Ninguna regla sencilla gana: todas acaban pagando la comisión
Dinero ganado o perdido a medida que se apuesta, en porcentaje de todo lo apostado. En gris, las otras cuatro estrategias (local, empate, visitante y al azar).
P&L acumulado normalizado por el número total de apuestas de cada estrategia; el valor final es el ROI. Temporadas 2016/17 a 2026/27, stake unitario.
Siempre al favorito
Siempre a la sorpresa
Favorito, a la mejor cuota
Modelo Elo: «apuestas de valor»
Resultados finales: favorito -4,5 %, sorpresa -10,4 %, al azar -6,9 %, favorito a la mejor cuota -0,3 % (intervalo del 95 %: -0,9 % a +0,3 %).
Todas pierden, y más o menos lo que cobra la casa en el tipo de apuesta que eligen. Apostar siempre a la sorpresa es lo peor (-10,4 %), justo por lo que acabamos de ver. Apostar al azar pierde un 6,9 %, casi exactamente la comisión. Lo único que se acerca a cero es buscar siempre la mejor cuota entre 17 casas a la vez, algo que casi nadie hace, y ni siquiera así se gana.
¿Y si elige un ordenador?
Es la promesa de los «pronosticadores» y de los cursos de apuestas: encontrar los partidos en los que la casa se equivoca. Lo probamos. Creamos un modelo estadístico que estima quién va a ganar según la fuerza de cada equipo, lo entrenamos con partidos antiguos y lo pusimos a apostar en 59.906 partidos posteriores que no había visto. Solo apostaba cuando creía haber encontrado una buena oportunidad. Resultado: acertó menos que las propias cuotas y perdió un 8,8 % de lo apostado en 36.671 apuestas. Cuando un modelo sencillo «ve una oportunidad», casi siempre es porque no sabe algo que la casa sí sabe: una lesión, una alineación, dinero de gente bien informada.
TécnicoEl modelo: regresión logística ordinal sobre el Elo
Modelo logístico ordinal con la diferencia de rating Elo (local − visitante, en cientos de puntos) como única variable: P(y ≤ j) = σ(cj − β·ΔElo), con y ∈ {local, empate, visitante}. La ventaja de campo queda recogida en los puntos de corte. Se ajusta por máxima verosimilitud (Nelder–Mead) con las temporadas 2000–2015 y se evalúa fuera de muestra desde 2016/17. Se apuesta cuando el valor esperado estimado, p̂·o − 1, supera el 5 %.
Log-loss fuera de muestra: mercado (Shin) 0,9908 frente a Elo 1,0103. Brier: 0,5915 frente a 0,6048.
Métodos de quitar el margen, 2012–2026: frecuencias de base 1,0732, proporcional 1,0041, Shin 1,0036. Shin y potencia ganan por poco porque corrigen el sesgo favorito–sorpresa.
ROI de las «apuestas de valor»: -8,8 % (IC 95 % bootstrap: -10,7 % a -7,1 %).
¿Y con machine learning?
Ese modelo solo sabía una cosa de cada equipo: su fuerza general. Así que lo intentamos en serio, con las técnicas de machine learning que se usan en la industria. Le dimos al ordenador 41 datos de cada partido, todos conocidos antes de que empezara: la fuerza de los equipos, sus puntos y goles recientes, sus tiros, cómo juegan en casa y fuera, los días de descanso y la liga. Y lo examinamos como en la vida real: cada temporada, entrenado solo con las anteriores, sin ver nunca el futuro.
El machine learning se acerca a las cuotas, pero no las alcanza
Qué parte de lo que «saben» las cuotas consigue saber cada modelo. 100 % sería predecir igual de bien que la casa. Las rayitas negras marcan el margen de error.
Fracción de la mejora en log-loss del mercado (Shin) sobre las frecuencias de base que recupera cada modelo: (LL_base − LL_modelo) / (LL_base − LL_mercado). Walk-forward, temporadas 2016/17 a 2026/27, n = 59.906. IC 95 % por bootstrap pareado.
Con los datos de los equipos, el mejor modelo llega al 84 %. Y hay una lección que cualquier científico de datos reconoce: el modelo complejo (gradient boosting) no mejora a una regresión logística, mucho más simple. Los datos no dan para más. El único que iguala a la casa es el que recibe las propias cuotas como dato: llega al 99,6 %. Aprende a copiar a la casa, no a superarla.
Casi todo lo que sabe el modelo es lo fuerte que es cada equipo
Cuánto más se equivoca el modelo si le quitamos cada tipo de información.
Importancia por permutación agrupada: aumento relativo del log-loss al barajar juntas las variables de cada grupo (5 repeticiones, barras ±2 DE). Gradient boosting entrenado hasta 2023/24 y evaluado en 2024/25 a 2026/27.
La fuerza de cada equipo lo explica casi todo. Los tiros recientes aportan algo. Y la racha de resultados, esa en la que tanta gente se fija para apostar, apenas añade nada: una vez que sabes lo bueno que es un equipo, saber que ha ganado sus tres últimos partidos no te dice casi nada más.
Calibración fuera de muestra: gradient boosting frente al mercado
Diagrama de fiabilidad de las predicciones walk-forward (59.906 partidos × 3 resultados, 20 intervalos, IC 95 % de Wilson). El modelo sin cuotas está bien calibrado: pierde por falta de resolución, no por sesgo.
Las cuotas de la casa
Machine learning
Acierto perfecto
Queda la pregunta que importa: ¿se gana dinero? Pusimos a los dos modelos de machine learning a apostar 1 € cada vez que creían ver una ventaja sobre la cuota de la casa.
Ningún modelo gana dinero de forma fiable
Ganancia o pérdida media por euro, según la ventaja mínima que el modelo exigía para apostar. Las rayitas negras marcan el margen de error.
ROI de apostar 1 unidad al resultado con mayor valor esperado p̂·o − 1 cuando supera el umbral. Cuotas de la casa de referencia, 2016/17 a 2026/27. IC 95 % por bootstrap (1.000 réplicas).
Machine learning
Machine learning + cuotas
Los umbrales más altos (10 %, 15 %, 25 %) y las apuestas a la mejor cuota del mercado están en la tabla. Con tan pocas apuestas, su margen de error es enorme.
El modelo que solo mira a los equipos pierde entre un 7 % y un 12 %: lo mismo o más que apostar al azar (6,9 %). Y cuanto más seguro está de haber encontrado una ganga, más pierde, porque sus «gangas» son casi siempre sorpresas, justo donde la casa paga peor. El que también mira las cuotas queda en tablas: a veces sale un poco arriba, a veces un poco abajo, y el margen de error es tan ancho que no se distingue de cero. Si pruebas suficientes variantes, alguna saldrá en positivo por pura suerte. Es lo que venden muchos pronosticadores: la racha buena, elegida entre muchas.
TécnicoDiseño del experimento de machine learning
Variables. 41 por partido, calculadas solo con partidos anteriores de cada equipo (ventanas móviles de 5, 10 y 20 partidos desplazadas una posición): Elo y su tendencia, puntos, goles a favor y en contra, tiros y tiros a puerta, forma en el mismo campo, tasa de empates, días de descanso, experiencia en la muestra y liga (30 categorías). Unos tests unitarios comprueban que cambiar el resultado de un partido no altera sus propias variables ni las de partidos anteriores.
Validación. Walk-forward con ventana expansiva: la temporada s se predice con un modelo entrenado en 2001–s−1. Los hiperparámetros se eligen una sola vez en un hold-out temporal (entrenamiento 2001–2012, validación 2013–2015) que no toca los años de test; rejilla de 24 combinaciones. Elegidos: 100 árboles, 8 hojas, mínimo 200 por hoja (sin cuotas) y 100 árboles, 4 hojas (con cuotas); tasa de aprendizaje 0,05 y L2 = 1.
Modelos. Logit ordinal sobre ΔElo; regresión logística multinomial (imputación por la mediana con indicadores de ausencia, estandarización, liga en one-hot); HistGradientBoosting de scikit-learn con valores ausentes y liga categórica nativos. El modelo «+ cuotas» añade las probabilidades de Shin y el margen.
Log-loss fuera de muestra (n = 59.906): mercado 0,9908; Elo 1,0093; logística 1,0044; gradient boosting 1,0045; gradient boosting + cuotas 0,9912 (diferencia con el mercado 0,0004, IC 95 % -0,0001 a 0,0008).
Apuestas. Se evaluaron 14 configuraciones. Con cuotas como variable, 0 de 6 intervalos quedan enteros por encima de cero. A la mejor cuota publicada, con umbral del 5 %, el ROI es +2,2 % (IC -0,6 % a +5,2 %): no significativo, sin corregir por comparaciones múltiples, y a precios que en la práctica no siempre se consiguen.
Límites. El bootstrap trata los partidos como independientes e ignora la correlación dentro de una jornada, así que los intervalos son algo optimistas. El Elo solo está disponible para parte de los partidos. No hay alineaciones, lesiones ni cuotas de cierre de varias casas, que es la información que sí usa el mercado.
Lo que este análisis no cubre
Solo miramos la apuesta más básica: quién gana un partido, antes de que empiece. Las combinadas, las apuestas en directo o a goleadores suelen tener comisiones mucho más altas, así que estas cifras son la versión más favorable para quien apuesta.
TécnicoLímites técnicos
La casa de referencia es la que recoge Football-Data.co.uk; en las primeras temporadas puede proceder de otras casas.
Las cuotas máximas son el mejor precio publicado, no un precio al que siempre se pueda apostar, y no consideran la limitación de cuentas ganadoras.
El modelo Elo es deliberadamente sencillo. Los modelos de machine learning se acercan más al mercado, pero para ganar dinero tendrían que superarlo y además pagar el margen.