기술 요약: 축구 예측을 위한 베이지안 가중치 이산 시간 동적 모델

문제 정의

축구 경기 결과 예측을 위해 다양한 통계 모델이 급증해 왔으나, 기존 방식의 대부분에는 결정적인 한계가 존재한다. 바로 팀별 공격 및 수비 능력이 시간이 지나도 정적으로 유지된다는 가정이다. 일부 방법론은 단순한 시간 경과에 따른 가중치 감쇠(time-decay weighting)나 연속 시간 상태 공간 모델을 사용하지만, 이들은 종-종 모든 팀과 두 가지 능력 유형(공격 및 수비)에 대해 공유되는 단일하고 일정한 진화 정밀도(evolution precision)에 의존한다. 이러한 제약은 팀 성능의 이질적인 특성을 설명하지 못한다. 구체적으로, 과거 데이터를 가중치 낮게 설정해야 하는 급격한 변화 시기(예: 이적 시장, 감독 교체)를 적절히 처리할 수 없으며, 공격 능력과 수비 능력의 잠재적인 변화율 차이를 구분하지 못한다. 또한, 표준 이산 시간 동적 모델은 모든 팀에 공통된 진화 정밀도를 가정함으로써, 어떤 팀은 안정적인 성과를 보이는 반면 다른 팀은 크게 변동할 수 있다는 점을 간과한다.

방법론

저자들은 가중치 적용 동적 프레임워크를 제안하며, 공통 사전 분포(commensurate priors)(Hobbs et al., 2011, 2012)를 6가지 표준 골 기반 모델에 통합한다. 핵심 혁신은 팀의 능력을 **적응형 기간별 수축(adaptive, period-specific shrinkage)**을 갖는 시변 파라미터로 취급하는 데 있다.

1. 골 기반 모델 (Goal-Based Models)

본 연구는 제안된 동적 프레임워크를 골 수에 대한 6가지 통계적 분포에 대해 평가한다:

• 더블 푸아송 (Double Poisson, DP) 및 이변량 푸아송 (Bivariate Poisson, BP): 골 수와 그들의 잠재적 의존성을 모델링하기 위함.
• 음이항 (Negative Binomial, NB) 및 스켈람 (Skellam, SM): 과분산(overdispersion) 문제를 해결하고 골 득실 차를 직접 모델링하기 위함.
• 대각 확장 이변량 푸아송 (Diagonally Inflated Bivariate Poisson, DIBP) 및 영 과잉 스켈람 (Zero-Inflated Skellam, ZISM): 표준 푸아송 모델에서 흔히 나타나는 무승부 확률 과소 추정 문제를 교정하기 위함.

2. 가중치 적용 동적 사전 분포 (Weighted Dynamic Priors)

공통 정밀도 $\sigma$를 사용하는 Owen(2011)의 랜덤 워크 방식과 달리, 제안된 모델은 각 주기 $\tau$에서 각 팀의 공격 및 수비 능력에 대해 별도의 시변 정밀도 파라미터($\phi_{att, \tau}$ 및 $\phi_{def, \tau}$)를 할당한다.

• 사전 구조 (Prior Structure): 주기 $\tau$에서의 능력은 정밀도 $\phi_{k, \tau}$에 의해 제어되는 정밀도를 가진, 주기 $\tau-1$에서의 능력을 중심으로 하는 정규 분포로 모델링된다.
• 스파이크 앤 슬래브 하이퍼사전 분포 (Spike-and-Slab Hyperpriors): 과거로부터 정보를 얼마나 가져올지(information borrowing) 결정하기 위해, 정밀도 파라미터 $\phi_{k, \tau}$에 스파이크 앤 슬래브 하이퍼사전 분포를 할당한다.
  • 스파이크 성분 (Spike component): 높은 정밀도를 가지며, 현재 데이터가 과거의 추세와 일치할 때 강력한 정보 공유를 장려하여 현재 추정치를 과거 값 쪽으로 효과적으로 수축시킨다.
  • 슬래브 성분 (Slab component): 낮은 정밀도를 가지며, 현재 데이터가 과거의 성과와 충돌할 때(예: 이적 또는 코칭 스태프 변경) 높은 변동성과 최소한의 정보 공유를 허용한다.
• 적응 메커니즘 (Adaptive Mechanism): 이 구조는 모델이 과거의 성과에 얼마나 많은 가중치를 둘지 자동으로 결정할 수 있게 한다. 팀의 성과가 안정적이라면 모델은 정보를 많이 공유하며, 팀이 구조적 변화를 겪는다면 모델은 과거의 가중치를 낮추어 현재의 데이터가 지배하도록 한다.

3. 구현 (Implementation)

모델은 R 패키지인 footBayes를 통해 Stan 확률적 프로그래밍 언어로 구현되었다. 본 연구는 독일 분데스리가, 잉글리시 프리미어리그(EPL), 스페인 라 리가의 최근 5시즌(2020/2021–2024/2025) 데이터를 활용하였다. 각 시즌은 중간 시즌의 구조적 사건을 포착하기 위해 두 개의 이산적인 기간(전반기와 후반기)으로 나누었다.

주요 결과

제안된 가중치 적용 동적 방식의 성능을 두 가지 벤치마크, 즉 공통 정밀도를 사용하는 **Owen(2011)**의 이산 시간 접근법 및 능력별로는 구분하되 정밀도는 일정하게 유지하는 **Egidi et al.(2018)**과 비교하였다. 평가는 세 가지 시나리오(시즌 전체 후반기, 마지막 3라운드, 최종 라운드)에 대해 브라이어 점수(Brier scores)(낮을수록 좋음)와 평균 적중 확률(Average of Correct Probabilities, ACP)(높을수록 좋음)를 사용하여 수행되었다.

• 예측 정확도: 가중치 적용 동적 방식은 세 리그와 6가지 골 기반 모델 모두에서 일관되게 가장 낮은 브라이어 점수와 가장 높은 ACP 값을 기록했다.
  • 분데스리가에서 가중치 적용 동적 이변량 푸아송 모델은 마지막 3라운드에서 0.678의 브라이어 점수를 기록했다 (Egidi et al.의 0.683 및 Owen의 0.687 대비).
  • EPL에서 가중치 적용 동적 대각 확장 이변량 푸아송 모델은 브라이어 점수 0.602와 ACP 0.421을 달성하여 다른 모든 방법을 앞질렀다.
  • 라 리가에서 가중치 적용 동적 방식은 브라이어 점수 0.499와 ACP 0.454로 가장 우수한 결과를 얻었다.
• 모델 동작 (Model Behavior): 팀 능력 궤적 분석(예: 바이에른 뮌헨, 맨체러 유나이티드, 지로나 FC)을 통해, 가중치 적용 동적 모델이 변동성과 구조적 변화를 더 정확하게 포착함을 입증했다.
  • 안정적인 팀의 경우, 모델은 정확한 추세 추적을 유지했다.
  • 일관되지 않은 성과를 보이는 팀(예: 지로나의 3위에서 16위로의 하락, 또는 맨체스터 유나이티드의 쇠퇴)의 경우, 가중치 적용 동적 모델은 공격 및 수비 능력의 급격한 변화를 성공적으로 식별해낸 반면, 벤치마크 모델들은 적응이 느리거나 능력치의 교차(crossover)를 포착하는 데 실패했다.
• 계산 효율성: 복잡한 하이퍼사전 분포가 계산 비용을 증가시킬 것이라는 예상과 달리, 가중치 적용 동적 방식은 Owen(2011) 및 Egidi et al.(2018) 공식보다 수렴에 도달하는 데 더 적은 계산 시간이 소요되었다.

의의 및 주장

본 논문은 제안된 방법론이 역동적인 환경에서 팀 능력을 모델링하기 위한 더 유연하고 반응적인 프레임워크를 제공한다고 주장한다. 스파이크 앤 슬래브 하이퍼파라미터를 갖춘 공통 사전 분포를 활용함으로써, 이 접근법은 데이터에 의해 정당화되는 범위 내에서만 역사적 정보를 공유하도록 하는 **적응형 수축(adaptive shrinkage)**의 공식적인 메커니즘을 제공한다.

저자들은 이것이 다음의 결과를 낳는다고 단언한다:

1. 우수한 예측 성능: 특히 최근의 폼(form) 변화에 대한 빠른 적응이 중요한 단기 예측 시나리오(예: 최종 라운드)에서 탁월하다.
2. 현실적인 궤적 모델링: 정적인 또는 균일하게 진화하는 파라미터를 가정하는 모델보다 미드시즌의 변동 및 주요 전환(이적, 코칭 스태프 변경)을 더 정확하게 반영한다.
3. 일반화 가능성: 축구에 적용되었으나, 본 프레임링은 기초적인 능력의 변화(예: 다른 스포츠)가 존재하는 순차적 성과 데이터를 포함하는 모든 영역에 대한 일반적인 솔루션으로 제시된다.

이 작업은 오픈 소스 R 패키지인 footBayes로 구현되어 재현성과 스포츠 분석 분야의 추가적인 적용을 용이하게 한다.