Metodología
Cómo se produce una probabilidad de Riftcast, cómo se evalúa una vez terminado el partido y qué significan las cifras resultantes. Este es el complemento técnico de la página Acerca de.
1. Qué hacemos
Riftcast publica una probabilidad para cada lado de un partido profesional de League of Legends, generada por modelos de aprendizaje automático entrenados con datos históricos. La probabilidad se genera antes de que empiece el partido, se almacena y luego se evalúa frente al resultado una vez jugado. Una predicción nunca se revisa a posteriori.
Una probabilidad no es un pronóstico de lo que va a ocurrir. Es una afirmación sobre una larga serie de partidos similares: cuando decimos que un equipo gana el 65 por ciento de las veces, afirmamos que a lo largo de muchos partidos con esa valoración se ganan alrededor de 65 de cada 100. Que un equipo valorado al 65 por ciento pierda no es una predicción fallida. Que un equipo valorado al 65 por ciento gane solo la mitad de las veces en una muestra grande, sí lo es.
No vendemos ganadores predichos. Publicamos probabilidades calibradas y nuestro propio historial, incluidos los mercados en los que ese historial es negativo.
2. Los modelos
Cuatro modelos se ejecutan en cada partido. Se entrenan de forma independiente con los mismos datos y discrepan a menudo, algo deliberado: la distancia entre ellos es en sí misma información sobre cuán segura es realmente una eliminatoria.
FastTree
Un árbol de decisión con potenciación del gradiente, y la referencia con la que se mide todo lo demás. Se entrena rápido, se mantiene estable entre reentrenamientos y maneja bien el caso ordinario: dos equipos conocidos en una liga establecida y con historial reciente abundante. Es el modelo disponible en el nivel gratuito y el que se degrada con más elegancia cuando un equipo tiene pocos datos.
LightGBM
Una implementación de potenciación del gradiente por hojas. Se adapta más rápido que FastTree cuando el juego de base cambia, lo que la convierte en el modelo más fuerte a través de los cambios de parche y en los eventos internacionales, donde equipos de distintas regiones se enfrentan por primera vez y la forma regional es mala guía.
PCA Sweep
Una tubería de componentes principales cuyos hiperparámetros se seleccionan mediante un amplio barrido sin conexión, con reducción de dimensionalidad aplicada antes del clasificador. Comprimir estadísticas de equipo correlacionadas en menos componentes reduce el sobreajuste sobre las muchas características casi duplicadas que contiene un perfil de equipo, y suele ser el más preciso de los tres modelos base.
Consensus
No es un cuarto modelo, sino una mezcla ponderada de los tres anteriores, ponderada por la pérdida logarítmica reciente de cada uno, de modo que un modelo en mala racha aporta menos. Consensus es la cifra individual más fiable del sitio y también la más conservadora: rara vez produce las probabilidades extremas que los modelos individuales generan a veces.
Cada modelo existe en dos variantes. La variante base predice a partir de la forma de equipo y jugadores antes de que empiece la partida. La variante consciente del draft revalora esa misma partida una vez bloqueados los diez campeones, añadiendo tasas de victoria de campeón, sinergias dentro de una composición y contras de enfrentamiento sobre la forma del equipo. La variante consciente del draft solo está disponible cuando termina la selección de campeones, y por eso una predicción puede cambiar poco antes de que empiece una partida.
3. Datos de entrenamiento
- 15,622 partidas individuales indexadas
- 450 equipos seguidos
- 230 torneos cubiertos
- 35,844 predicciones evaluadas y registradas
Dos fuentes alimentan el sistema. Los calendarios, el estado en vivo y la selección de campeones provienen de la API oficial de LoL Esports en lolesports.com. Las estadísticas de partidos terminados, que son con las que se entrena cada modelo y contra las que se evalúa cada predicción, provienen de la extracción de gol.gg. Cuando ambas discrepan sobre un resultado, gol.gg se considera la fuente de verdad y el flujo en vivo se descarta.
Los modelos ven la forma del equipo en ventanas recientes móviles, una valoración de fuerza tipo Elo ajustada por nivel regional y resultados entre regiones, tasas de victoria por lado, estadísticas de objetivos y oro, forma individual de la plantilla actual y, en la variante consciente del draft, los campeones realmente elegidos. Las características se calculan de forma simétrica para ambos lados, de manera que el modelo no pueda aprender nada de qué equipo aparece listado primero.
Todos los modelos se reentrenan a diario a las 00:10 UTC con todo el historial disponible en ese momento, y las predicciones de los próximos partidos se regeneran al terminar el entrenamiento. Un archivo de modelo nunca se edita entre reentrenamientos.
Ningún torneo queda excluido del entrenamiento. Versiones anteriores de la tubería reservaban algunos eventos menores e internacionales; eso se abandonó en 2026 porque los eventos excluidos eran precisamente aquellos en los que los modelos más necesitaban los datos.
4. Cómo se registra la precisión
Las predicciones realizadas antes del inicio del partido quedan registradas de forma permanente y se utilizan para calcular estas cifras. No existe ningún mecanismo para borrar, revisar o repuntuar retroactivamente una predicción publicada.
Una predicción solo se evalúa cuando el partido aparece en los datos de resultados extraídos. El estado de la partida en vivo nunca se usa para liquidar una predicción, porque se obtiene con el mejor esfuerzo posible y a veces es incorrecto; un partido cuyo ganador aún no puede establecerse a partir de datos extraídos permanece sin evaluar en lugar de resolverse por inferencia. Esto es más lento que leer el flujo en vivo y es la razón por la que el historial publicado puede ir unas horas por detrás de un resultado.
La evaluación es una retención por fecha: un modelo solo se mide sobre partidos que aún no habían ocurrido cuando se entrenó, la única prueba honesta para un sistema que se reentrena a diario. Toda predicción evaluada entra en las cifras siguientes. No hay ningún paso editorial en el que se excluya una mala semana, ni se oculta ningún mercado por rendir mal.
Qué publicamos
- Tasa de acierto
- La proporción de selecciones correctas, siempre mostrada junto al número de selecciones que la respalda. Por sí sola es una medida débil: un modelo que solo señala favoritos claros puede exhibir una tasa de acierto alta sin aportar nada por encima de seguir simplemente al mercado.
- Puntuación de Brier
- La diferencia cuadrática media entre la probabilidad declarada y lo que ocurrió. Cuanto más baja, mejor. Decir 50 por ciento en todo puntúa 0,25, así que cualquier cifra por encima de 0,25 significa que la confianza asociada a las selecciones era peor que inútil. Esta es la métrica que detecta a un modelo que se equivoca con seguridad, algo que la tasa de acierto por sí sola no hace.
- Pérdida logarítmica
- Una segunda regla de puntuación sobre las mismas predicciones, que penaliza los errores confiados mucho más severamente que Brier. Es la que usa la mezcla Consensus para decidir cuánto peso merece cada modelo en cada momento.
- Retorno de la inversión
- Lo que habría devuelto una participación fija de una unidad en cada selección cualificada, valorada a las cuotas de mercado disponibles antes del partido. Una selección correcta devuelve la cuota menos uno; una incorrecta pierde una unidad. El retorno es el neto dividido por el número de selecciones. Es la única medida aquí que tiene en cuenta el precio, y aquella en la que un modelo puede ser preciso y aun así no ser rentable.
Ver el historial completo, por modelo, por mercado y por liga
5. Calibración
Un modelo está calibrado cuando su confianza declarada coincide con la realidad en una muestra grande: de todos los partidos que valoró al 60 por ciento, cerca del 60 por ciento debería haberse ganado. Un modelo puede ser preciso y estar mal calibrado a la vez, eligiendo el lado correcto pero estando demasiado seguro de ello.
La salida en bruto de un modelo no está bien calibrada por sí sola, así que se aplica una capa de calibración en el momento de mostrarla, ajustada únicamente con predicciones evaluadas pasadas y nunca con el partido que se está prediciendo. Como se aplica al leer la página en lugar de quedar fijada en la predicción almacenada, el historial se mantiene exactamente como se publicó mientras la calibración que hay detrás sigue mejorando.
La calibración se agrupa por liga, de modo que una liga con pocos partidos evaluados toma prestado de la muestra más amplia en vez de confiar en un puñado de resultados. Por eso también las ligas por debajo de una muestra mínima se marcan como de baja precisión y quedan fuera de las cifras principales: no porque sus resultados sean malos, sino porque todavía no hay suficientes para significar algo.
6. Selecciones de valor
Una selección de valor es un caso en el que nuestra probabilidad es mayor que la probabilidad implícita del mercado para el mismo resultado. Es una discrepancia con el precio de mercado, no la predicción de un resultado seguro.
valor esperado = (probabilidad del modelo x cuota de mercado) - 1
Cuando esa cifra está por encima de cero, el mercado ofrece un precio que consideramos demasiado generoso, y la selección queda registrada. Cada selección registrada se guarda con la probabilidad, el precio y la marca de tiempo de su publicación, y luego se evalúa como cualquier otra predicción. Las selecciones en ligas marcadas como de baja precisión se siguen, pero se excluyen de los retornos publicados, porque un porcentaje sobre un puñado de resultados es ruido.
Un mercado debe tener al menos 50 selecciones evaluadas antes de poder encabezar nada. Por debajo de ese umbral las cifras se siguen publicando en la tabla completa, con sus tamaños de muestra, pero no se tratan como un resultado.
Actualmente el mercado más fuerte registrado es PCA Sweep en Ganador de serie: +10.1 por ciento de retorno sobre 130 selecciones evaluadas. Esta cifra es derivada, no elegida, y cambia a medida que llegan resultados.
7. Preguntas frecuentes
¿Podéis predecir partidas individuales dentro de una serie?
Sí, y se evalúan por separado. Las predicciones a nivel de partida y a nivel de serie son mercados distintos con denominadores distintos y nunca se mezclan en una sola cifra, porque un al mejor de cinco contiene varias partidas y promediarlas juntas ponderaría en silencio las series largas más que las cortas.
¿Usáis información privada o privilegiada?
No. Todo lo que ven los modelos es público: resultados publicados, calendarios oficiales y la selección de campeones tal como se retransmite. No hay red de ojeadores, ni información privada de plantillas, ni contacto con equipos o jugadores.
¿Cómo gestionáis un parche nuevo?
Los modelos se reentrenan a diario, así que un parche se incorpora a medida que se juegan partidos con él y no mediante ningún ajuste manual. Esto significa que los primeros días de un parche importante son el periodo menos fiable del sitio, y las variantes conscientes del draft se recuperan más rápido porque las estadísticas de campeón se desplazan antes que las de equipo. No ajustamos los modelos a mano en torno a un parche, ya que eso haría irreproducible la precisión publicada.
¿Cómo se resuelven los empates y las partidas no jugadas?
Una predicción sobre una partida que nunca se juega se anula en lugar de contarse como fallo, y las selecciones anuladas se eliminan de todas las cifras. Cuando un mercado puede quedar en tablas, por ejemplo un total que cae exactamente en la línea, la selección se anula y se devuelve la participación. Las series que aparecen en la extracción con un marcador incompleto quedan sin evaluar hasta que llegan las partidas que faltan.
¿Por qué no usar simplemente el mejor modelo?
Porque cuál es el mejor cambia, y solo se sabe en retrospectiva. Cada uno de los tres ha liderado en mercados y periodos distintos, y el orden se desplaza entre parches y entre el juego regional y el internacional. Mezclarlos por pérdida logarítmica reciente produce una cifra más estable que cualquier modelo individual, a costa de rara vez ser la mejor en un mercado concreto.
Las predicciones las generan modelos de aprendizaje automático y no garantizan resultados. Las cifras de esta página describen predicciones pasadas ya evaluadas y no son un pronóstico de resultados futuros. Solo con fines informativos; no constituye asesoramiento financiero.