Please use this identifier to cite or link to this item:
http://hdl.handle.net/10071/30835
Author(s): | Romão, Diogo Miguel Filipe |
Advisor: | Laureano, Raul Manuel Silva |
Date: | 29-Nov-2023 |
Title: | Football match result prediction: A business analytics approach |
Reference: | Romão, D. M. F. (2023). Football match result prediction: A business analytics approach [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/30835 |
Keywords: | Football predictions Machine learning Investments Previsões de futebol Investimentos |
Abstract: | Currently, there is a gap in the market for predicting football match outcomes before a match takes place. To address this challenge, a predictive model based on pre-match variables was developed, focusing on analytical techniques, including machine learning (ML). This study focuses on football match outcome predictions and their relevance in the fields of sports, investments, and entertainment. The goal is to identify the most effective algorithms for predicting outcomes.
This study focus on five European leagues: the English Premier League (EPL), Spanish La Liga, Italian Serie A, German Bundesliga, and Portuguese Liga Bwin, for the seasons 2019-2020, 2020-2021, and 2021-2022. The predictive model proved promising in anticipating football match results. The C5 algorithm showed the best results, with an 85.40% accuracy on test data. Additionally, the model was validated in a new sports season, demonstrating its effectiveness in predicting future outcomes. This is essential to ensure the model reliability in future contexts and reinforces its utility for investors, football clubs, and fans. Through financial analysis, profitable strategies were identified, and a monitoring dashboard was built to track the financial performance of the predictive model and to evaluate the effectiveness of the developed investment strategies.
In summary, this study contributed to the understanding of football predictions, benefiting investors, football clubs, betting houses, and fans by providing a robust approach to anticipate match results. Atualmente existe uma lacuna no mercado das previsões de resultados de futebol antes de um jogo ocorrer. Para resolver este desafio, desenvolve-se um modelo preditivo baseado em variáveis pré-jogo, com foco em técnicas analíticas, incluindo machine learning (ML). Este estudo foca-se assim nas previsões de resultados de jogos de futebol e na sua relevância nas áreas de desporto, investimentos e entretenimento. O objetivo é identificar os algoritmos mais eficazes para prever resultados. Este estudo foca-se em cinco ligas europeias: a Premier League Inglesa, La Liga Espanhola, Serie A Italiana, Bundesliga Alemã e a Liga Bwin Portuguesa, para as épocas 2019-2020, 2020-2021 e 2021-2022. O modelo preditivo revelou-se promissor na antecipação de resultados de jogos de futebol. O algoritmo C5 foi o que apresentou melhores resultados, com uma accuracy de 85,40% em dados de teste. Adicionalmente, o modelo foi validado numa época desportiva nova, o que demonstra sua eficácia em prever resultados futuros. Isto é essencial para garantir a confiabilidade do modelo em contextos futuros e reforça a sua utilidade para investidores, clubes de futebol e adeptos. Foram identificadas, através de uma análise financeira, algumas estratégias lucrativas, tendo sido construído um dashboard de monitorização para acompanhar o desempenho contínuo das previsões e das estratégias de investimento. Em síntese, este estudo contribuiu para o entendimento das previsões de futebol, beneficiando investidores, clubes de futebol, casas de apostas e adeptos ao fornecer uma abordagem sólida para antecipar os resultados dos jogos. |
Department: | Departamento de Marketing, Operações e Gestão Geral |
Degree: | Mestrado em Gestão |
Peerreviewed: | yes |
Access type: | Embargoed Access |
Appears in Collections: | T&D-DM - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
master_diogo_filipe_romao.pdf Until 2026-02-05 | 1,37 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.