CS2 职业比赛胜率预测：从 Elo 到一个可复现的校准系统

这是什么

给定任意两支 CS2 战队、赛制和比赛时间，输出：

• 校准过的胜率与 95% 区间
• 理论价格与参考价
• 按双方图池强弱自动 ban/pick 的地图推演，以及每张图的胜率
• 可选的资金配置建议（凯利公式 + 蒙特卡洛回撤/破产概率）

整套东西是可复现的：数据快照有 SHA-256，随机种子固定，一条命令重训，另一条重跑所有图表。

数据

三个来源合并（hojlund、HLTV 抓取、Kaggle），难点不在抓取而在对齐：队名有 95 组大小写/后缀变体，还有数据源把单图比分写进系列赛比分的 bug，导致 BO1 被误标成 BO5——修正后 BO5 从 11,175 场降到 684 场。

模型

四层：

1. 队伍 Elo：净胜图数作为修正因子，长期不参赛向 1500 衰减（半衰期 180 天）。
2. 地图 Elo：每队每图独立评分，样本不足 5 场时向队伍评分收缩。
3. veto 模拟：按「相对强度」ban 弱图、pick 强图，再用 DP 把逐图胜率合成系列赛概率。
4. 逻辑回归：带时间权重（半衰期 1500 天）和 Platt 校准。

外加新闻事件抽取——只用大模型做结构化事件（转会、伤病、教练变动），概率完全由统计模型给，这条边界是刻意守住的。

结果

准确率 65.1% / 65.4%，期望校准误差 0.85% / 1.89%。梯度提升树（0.6278）反而更差——说明现有特征基本是线性可加的。

两个阴性结果（更有意思的部分）

1. 赛制/年份特征是负资产。

留一法实验显示，把 is_bo1、is_bo5、tier_major、lan、year 这组去掉后，两个切分的 log loss 分别下降 0.00055 和 0.00024。原因是年份和赛事层级在跨期评估里编码了时代漂移——模型学到的是「某年某级别比赛更容易爆冷」，不可迁移。

据此砍到 25 维，三个切分全部改善，平均 0.0014。

2. 两个业务假设都不成立。

• 按 1/3/5 张地图分别建模：一升一降，净收益约等于零。三种赛制的概率来自同一批队伍、同一批地图评分，相关性太高，加进去是冗余维度。
• 分析师/复仇效应（近期输给同一对手后再次相遇会更强）：32,456 场再相遇，上次赢家重复获胜 58.23%，Elo 期望 58.42%，差 −0.002，置信区间跨零。看起来最像复仇的「热门重复获胜低于期望 3.7%」，在全样本同样存在（弱队超期望 6.4 个点）——那是 Elo 过度自信，校准后就吸收了。

把这两个假设证伪写进论文，比硬凑一个涨点的特征诚实得多。

系统

• 命令行：python -m csgopred predict -a Vitality -b Spirit --format bo3
• HTTP API：四个只读接口，返回 JSON
• 界面：中文 /、英文 /en，同一套 API；首页有地图推演和驱动因素
• 每日更新：抓赛果 → 判断增量 → 需要时重训 → 写当日报告

复现与投稿

python repro/make_snapshot.py   # 校验数据/模型哈希
python repro/train.py           # 重训并输出 repro/results.json
python experiments/decompose.py # 重跑归因实验

论文投 Journal of Statistics and Data Science in Sports（JSDSS，钻石开放获取，不收版面费），因为它的三条创刊原则——开放获取、可复现、把体育当实验室——和这个项目对得上。

仓库

代码：<https://github.com/Aokua/csgopred>

里面包含完整代码（注释已英文化）、6 个实验脚本、数据快照（Git LFS，198 MB）、中英文论文、Quarto 复现稿，以及 MIT + CC BY 4.0 双许可。

数据只用于研究，不构成任何投注建议。