La méthodologie
en clair.

Pour chaque match, l'algorithme CoteIQ calcule une distribution complète des scores possibles (0-0, 1-0, 1-1, 2-1, etc.) en analysant les données statistiques avancées des deux équipes. Notre modèle s'appuie sur des méthodes académiques éprouvées (Karlis & Ntzoufras, 2003), adaptées et enrichies pour le contexte réel.

Concrètement :

• Buts attendus (xG): nombre de buts attendus pour chaque équipe selon la qualité de ses occasions récentes (position du tir, type d'action, défenseurs proches). C'est un indicateur statistique plus fiable que le score brut, car il évalue la qualité du jeu et non juste son issue ponctuelle.
• Modélisation des scores: à partir des buts attendus, l'algorithme calcule la probabilité de chaque score exact en croisant les distributions statistiques des deux équipes. La somme des probabilités sur tous les scores possibles fait toujours 1.
• Probabilités dérivées : à partir de la matrice des scores, on agrège pour obtenir la victoire à domicile (1), le nul (X), la victoire extérieur (2), les Plus/Moins de buts, BTTS, etc.

Une fois les probabilités calculées, CoteIQ les compare aux cotes proposées par chaque bookmaker. Pour chaque cote, on calcule deux indicateurs :

• Probabilité implicite = 1 ÷ cote décimale.Exemple : cote 2.00 → 50% implicite. C'est la probabilité que le bookmaker assigne implicitement à l'événement, marge bookmaker comprise.
• Cote équitable (fair odd) = 1 ÷ probabilité calculée par notre modèle.C'est la cote qui correspondrait à notre estimation de probabilité si la marge bookmaker était nulle.
• EV (Expected Value) = (cote × probabilité modèle) − 1.Un EV de +5% signifie qu'à long terme, ce type de pari (avec ce profil statistique) rapporte 5% de la mise en moyenne.

Niveaux de confiance :

• ★★★ Haute : EV entre 2% et 5%, avec une probabilité modèle dans la zone 30-70% (les estimations restent solides).
• ★★ Moyenne : EV entre 5% et 10%, ou probabilité aux extrêmes (proba < 30% ou > 70%, plus volatile).
• ★ Faible : EV > 10% (souvent suspect — vérifier que ce n'est pas une cote périmée ou erronée), ou EV marginal < 2%.

Identifier un avantage statistique ne suffit pas. Encore faut-il décider combien miser. CoteIQ recommande d'utiliser le critère de Kelly, formule mathématique qui calcule la fraction optimale de votre capital à miser pour maximiser la croissance long-terme tout en évitant la ruine (cf. travaux de John Kelly, 1956 et Edward Thorp, 1969 pour son adaptation au pari sportif).

Formule : f = (cote × p − 1) ÷ (cote − 1), où p est notre probabilité estimée.

Kelly fractionné (quarter Kelly) : par défaut, CoteIQ applique un multiplicateur de sécurité de ×0.25 au Kelly brut. Pourquoi ?

• Le Kelly raw suppose que p est connue avec exactitude. En pratique, notre estimation a une marge d'erreur. Surestimer p de quelques pourcents peut transformer un Kelly raw +10% en perte garantie.
• Quarter Kelly réduit la variance et les drawdowns au prix d'une croissance plus lente — c'est le standard recommandé par les parieurs sérieux et utilisé par les principaux fonds de pari quantitatifs.
• Plafond complémentaire : aucun pari ne dépasse 5% du bankroll total, quelle que soit la valeur Kelly calculée. Cette limite dure protège contre les erreurs de modélisation extrêmes.

Aucun modèle n'est parfait. CoteIQ documente honnêtement les limites connues :

• L'algorithme peut sous-estimer les scores extrêmes (5+ buts). Des corrections avancées sont intégrées progressivement pour réduire ce biais.
• Les buts attendus (xG)sont un signal, pas une vérité absolue. Les xG d'une équipe en très bonne forme tactique peuvent surperformer leur xG pendant plusieurs semaines (effet entraîneur, stratégie de jeu spécifique).
• Les conditions exceptionnelles (blessures de dernière minute, derbys à enjeu émotionnel, météo extrême) ne sont pas modélisées par défaut. Des ajustements manuels via Claude (analyse IA contextuelle) sont disponibles sur le tier Pro et au-dessus, mais restent indicatifs.
• Le modèle est calibré sur des ligues majeures (Premier League, Ligue 1, La Liga, Champions League). Sur des compétitions mineures avec moins de données, les estimations sont moins fiables.

Les méthodes utilisées par CoteIQ sont documentées dans la littérature statistique. Les sources principales :

• Karlis, D. & Ntzoufras, I. (2003). Analysis of sports data by using bivariate Poisson models. Journal of the Royal Statistical Society, Series D, 52(3), 381-393.
• Dixon, M. J. & Coles, S. G. (1997). Modelling association football scores and inefficiencies in the football betting market. Journal of the Royal Statistical Society, Series C, 46(2), 265-280.
• Kelly, J. L. (1956). A new interpretation of information rate. Bell System Technical Journal.
• Thorp, E. O. (1969). Optimal gambling systems for favorable games. Revue de l'Institut International de Statistique.
• Štrumbelj, E. (2014). On determining probability forecasts from betting odds. International Journal of Forecasting, 30(4), 934-943.