Modelação do valor dos jogadores de futebol no mercado de transferências

Abstract

O valor de mercado dos jogadores de futebol constitui um dos indicadores mais relevantes na economia do desporto contemporâneo, refletindo não apenas o desempenho individual, mas também fatores contextuais e perceções de mercado. Apesar da sua importância crescente, a determinação deste valor continua a ser um processo complexo e multifatorial. O presente trabalho tem como objetivo analisar e prever o valor de mercado dos avançados que atuaram nas cinco principais ligas europeias na época 2023/2024, recorrendo a diferentes algoritmos de aprendizagem automática. O estudo baseou-se num dataset construído a partir de diversas fontes, no qual se incluíram variáveis de desempenho desportivo (minutos jogados, golos, assistências), de contexto coletivo (valor agregado do clube) e de histórico individual (pico de valorização pré-época). Os resultados evidenciam a superioridade dos algoritmos de ensemble, em particular o XGBoost, que apresentou melhor capacidade explicativa e menor erro médio face a modelos lineares ou árvores simples. Entre os fatores mais determinantes identificados, destacam-se os minutos jogados e os golos por 90 minutos, bem como variáveis contextuais como o valor do clube e a valorização histórica. Esta dissertação contribui para a investigação académica sobre a valorização de jogadores de futebol, ao aplicar metodologias de ciência de dados a um fenómeno de elevada complexi- dade. Para além disso, fornece orientações práticas a clubes, agentes e investidores, permitindo compreender de forma mais clara os elementos que sustentam a valorização de avançados nas ligas europeias.

The market value of football players is one of the most relevant indicators in the contem- porary sports economy, reflecting not only individual performance but also contextual factors and market perceptions. Despite its growing importance, determining this value remains a com- plex and multifactorial process. This dissertation aims to analyze and predict the market value of forwards who played in the five major European leagues during the 2023/2024 season, using different machine learning algorithms. The study was based on a dataset built from multiple sources, including variables of sporting performance (minutes played, goals, assists), collective context (club’s aggregated market value), and individual history (pre-season peak value). The results highlight the superiority of ensemble algorithms, particularly XGBoost, which showed higher explanatory power and lower average error compared to linear models or single decision trees. Among the most decisive factors identified, playing time and goals per 90 minutes stand out, alongside contextual variables such as club market value and historical peak valuation. This research contributes to the academic debate on football player valuation by applying data science methodologies to a highly complex phenomenon. In addition, it provides practical insights for clubs, agents, and investors, offering a clearer understanding of the elements that influence the valuation of forwards in European leagues.