Scommesse Under/Over nel Calcio: Strategia, Statistiche e Mercati da Conoscere
Available in US
Il mercato over/under è il secondo per volumi in Italia dopo il 1X2, e secondo la mia esperienza è anche uno dei più sottovalutati dal punto di vista analitico. C’è una ragione precisa per cui mi piace: il numero di gol in una partita è più prevedibile dell’esito finale. Non perché sia “facile”, ma perché dipende da variabili — stile di gioco, forza offensiva e difensiva relativa, contesto tattico — che si lasciano modellare meglio del risultato netto. L’esito di una partita è fortemente influenzato dalla varianza dei singoli episodi; il numero totale di gol tende a convergere verso la media attesa su grandi campioni.
I mercati live dominati da over/under nel calcio italiano generano oltre 6.4 miliardi di euro di raccolta annua complessiva — e una parte significativa di quel volume è in-play, dove le quote cambiano in tempo reale con l’avanzare della partita. Capire come questi mercati si formano e come modellarli statisticamente è la base per trovare edge su uno dei campi più liquidi del betting calcio.
Come Funziona il Mercato Over/Under: Linee, Asiatici e Varianti
La struttura del mercato over/under è più ricca di quanto sembri a prima vista. La linea standard è il 2.5 gol — scommetti che la partita finirà con 3 o più gol (over) o con 0, 1 o 2 gol (under). Ma le varianti disponibili sui bookmaker italiani includono le linee a 1.5, 3.5 e 4.5, più le linee asiatiche a quarti di gol.
Le linee asiatiche sui gol funzionano con la stessa logica dell’handicap asiatico sulle squadre: la linea 2.25 significa che metà della puntata è sull’over 2 e metà sull’over 2.5. Se la partita termina con esattamente 2 gol, metà puntata viene rimborsata (quella sull’over 2) e metà viene persa (quella sull’over 2.5). Se termina con 3 o più gol, vincono entrambe le metà. Questo meccanismo di “split” riduce la varianza delle scommesse sul totale gol e permette una calibrazione più fine rispetto alle linee intere.
Il margine del bookmaker sul mercato over/under tende a essere leggermente inferiore rispetto al 1X2 perché ci sono solo due esiti da prezzare invece di tre. Su partite di Serie A con alta liquidità, il margine sull’over/under 2.5 si aggira spesso tra il 3 e il 5%, contro il 5-7% del 1X2. Questa compressione del margine rende il mercato over/under strutturalmente più efficiente — ma anche più difficile da battere.
Modello Statistico per l’Over/Under: xG, Media Gol e Stile di Gioco
La variabile più importante per modellare il totale gol di una partita è l’xG atteso per ciascuna squadra, sommato per ottenere il totale gol attesi. Il modello xG Bayesiano sviluppato dalla Deakin University (AUC = 0.781 su 7 variabili) conferma che la stima dei gol attesi tramite expected goals fornisce una base predittiva solida, comparabile ai modelli commerciali di alto livello — il che significa che è accessibile anche a chi costruisce modelli con dati pubblici.
Il processo pratico: raccogli l’xG medio per partita delle due squadre nelle ultime 8-10 partite (distinguendo casa e trasferta). Somma i due valori per ottenere il totale gol attesi. Usa la distribuzione di Poisson per convertire il totale atteso in probabilità di over o under su ciascuna linea.
Esempio numerico: squadra A in casa ha xG medio di 1.6 nelle ultime 10 partite, squadra B in trasferta ha xG medio di 1.1. Totale gol attesi = 2.7. Probabilità di over 2.5 secondo la distribuzione di Poisson con lambda = 2.7: circa 56.8%. Se il bookmaker offre over 2.5 a 1.80 (probabilità implicita: 55.6%), la tua stima implica un edge marginale — piccolo, ma identificato.
Un fattore spesso sottovalutato è lo stile tattico. Le squadre che giocano con un pressing alto tendono a generare più transizioni rapide e quindi più gol — il PPDA (passes allowed per defensive action) è un proxy di pressing intensity che correla con il numero medio di gol nelle partite. Una squadra con PPDA basso (pressing aggressivo) contro una squadra con PPDA alto spesso produce partite con totali elevati, anche quando gli xG medi non lo anticipano chiaramente.
Fattori che Spostano le Quote Over/Under: Motivazioni, Meteo, Arbitro
L’xG medio è il punto di partenza, ma diversi fattori contingenti possono spostare significativamente la distribuzione dei gol attesi per una partita specifica.
Il primo è la motivazione. Una partita di fine stagione tra una squadra già salva e una già retrocessa produce sistematicamente meno gol rispetto alla media — entrambe le squadre hanno ridotto l’intensità, il che si riflette in un PPDA elevato e in xG bassi. Le partite con entrambe le squadre in gioco per obiettivi importanti (Champions League all’ultima giornata, lotta salvezza) tendono invece verso i totali alti.
Il secondo è il contesto arbitrale. Alcuni arbitri permettono più falli e interruzioni rispetto ad altri, il che riduce il ritmo di gioco e tende a comprimere i totali. La storia statistica dell’arbitro designato — media gol nelle ultime 30 partite arbitrate — è un input spesso ignorato dai modelli standard ma con correlazione misurabile.
Il terzo è il meteo. Pioggia intensa, campo pesante o vento forte riducono la qualità tecnica del gioco e abbassano i totali attesi. Non è una variabile enorme, ma su linee vicine al confine (partita con totale atteso di 2.4-2.6, dove la scelta tra over e under 2.5 è meno netta) può spostare la decisione.
Un quarto fattore che integro nella mia analisi è lo stile di pressing reciproco. Due squadre con PPDA basso — entrambe aggressive e ad alta intensità — tendono a produrre partite con più transizioni rapide e quindi potenzialmente più occasioni da gol. Due squadre che difendono in blocco basso e giocano di ripartenza producono spesso partite con pochi gol totali ma alta tensione sui singoli episodi. La combinazione degli stili delle due squadre è una variabile che si legge bene dal dato PPDA stagionale, facilmente reperibile su FBref e WhoScored.
La pratica che mi ha aiutato di più nella calibrazione del modello over/under è tenere un tracking mensile delle partite dove la mia stima discordava dalla linea del bookmaker di più del 5%. Dopo sei mesi, emerge chiaramente quali variabili il mio modello sovrastima o sottostima sistematicamente — e questo permette di aggiustare i pesi nel calcolo. Un modello che non si aggiorna sui propri errori sistematici perde progressivamente la sua utilità man mano che i mercati si adattano ai pattern più ovvi.
Per approfondire come integrare xG e metriche avanzate come il PPDA in un modello strutturato di previsione, la guida sull’ xG nelle scommesse calcio tratta in dettaglio la costruzione del processo analitico.
Domande sulle Scommesse Over/Under
Come si usa l’xG per scommettere sull’over/under?
Si somma l’xG atteso per entrambe le squadre per ottenere il totale gol previsto (lambda). Si applica la distribuzione di Poisson con quel lambda per calcolare la probabilità di ogni totale di gol specifico. Si confronta la probabilità così ottenuta con la probabilità implicita nella quota del bookmaker per identificare potenziali discrepanze di valore.
Qual è il mercato under/over più liquido nel calcio italiano?
La linea over/under 2.5 sui match di Serie A è la più liquida e la più efficiente. I mercati più interessanti per trovare edge sono spesso le linee 1.5 e 3.5 su partite specifiche, e le linee asiatiche su quarti di gol (2.25, 2.75) che permettono un’esposizione più granulare rispetto alle sole linee intere.
Creato dalla redazione di «Scommesse Calcio Come Vincere».
