metodologia

o que é xP-serve

xP-serve (expected serve points won) é a percentagem de pontos ganhos ao saque que um jogador deveria obter com base no seu perfil histórico, na superfície e na qualidade do adversário. Não é uma previsão do resultado — é uma linha de base de eficiência ao saque, calibrada sobre mais de 260 mil partidas ATP e WTA. O diferencial face a estatísticas tradicionais é o ajuste contextual: o mesmo % de pontos ao saque vale de forma diferente contra um top-10 em relva ou contra um qualifier em terra batida.

dados e cobertura

Base histórica: Jeff Sackmann Tennis Match Level (TML) — mais de 260 mil partidas ATP e WTA desde 1968, com estatísticas granulares de saque e devolução a partir de ~2000. Intraday: api-tennis fornece fixtures em tempo real, resultados e estatísticas de saque para torneios sem cobertura ESPN. Odds de mercado: tennis-data.co.uk (B365, Pinnacle) para o módulo xP vs Mercado. Resultados ao vivo: ESPN/SofaScore para Grand Slams e ATP/WTA 500+. Ingestão automatizada via GitHub Actions com refresh a cada 20 minutos em dias de torneio.

modelo preditivo

Usamos Ridge Regression (regularização L2) treinado sobre características estatísticas derivadas dos últimos 12 meses de cada jogador antes da partida. O modelo prediz a percentagem de pontos ganhos ao saque. O split é estritamente temporal: dados de 2013–2023 para treino, 2024–2026 como conjunto out-of-sample — sem qualquer look-ahead. A Ridge foi escolhida sobre alternativas não-lineares por interpretabilidade, velocidade de inferência e estabilidade em amostras pequenas (jogadores com poucas partidas na superfície).

features e exclusões

Características de saque: % 1º serviço em jogo, pontos ganhos no 1º serviço, pontos ganhos no 2º serviço, aces por partida, duplas faltas por partida. Características de devolução: % pontos ganhos na devolução, break points convertidos. Contexto: superfície (hard/clay/grass), ronda, ranking relativo do adversário, número de partidas nos últimos 12 meses. Features ausentes são imputadas por proximidade de ranking na mesma superfície; xp_proxy_count indica quantas foram imputadas.

validação out-of-sample

O modelo foi avaliado em dois períodos de teste independentes — 2024 e 2025 — inteiramente fora da janela de treino. A métrica principal é o MAE (Mean Absolute Error) em percentagem de pontos ao saque. O skill score mede a melhoria relativa face ao preditor naïve (média global por superfície). Com MAE de 6,33 pp e skill +0,106, o modelo estima o campo de saque de qualquer jogador com ≥ 4 partidas na superfície no último ano com erro médio inferior a 6,5 pp.

interpretando o delta

Delta (Δ) = xP real − xP predito. Δ positivo: o jogador performou acima da expectativa nessa partida. Δ negativo: ficou abaixo. O Δ acumulado ao longo de vários jogos é o indicador principal do leaderboard — jogadores com Δ médio elevado são consistentemente mais eficientes ao saque do que os modelos esperam.

arquétipos de saque

Classificamos cada jogador em um de seis perfis, calculados sobre percentis da base histórica completa. A classificação é dinâmica: actualiza a cada ingestão com a janela dos últimos 12 meses. Os critérios são aplicados por ordem de prioridade — um jogador satisfaz o primeiro critério válido.

classificação por ordem de prioridade decrescente · fallback: ALC

confiança editorial

Não publicamos xP quando os dados são insuficientes para uma estimativa significativa. Os níveis de confiança refletem a qualidade das features de entrada: features imputadas aumentam a incerteza; poucas partidas na superfície reduzem a representatividade da janela histórica. Os limiares são revistos a cada versão do modelo.

limitações e próximos passos

Limitações actuais: (a) o modelo é agnóstico a forma recente — uma série de derrotas não reduz o xP-serve; (b) ausência de dados de lesão ou fadiga acumulada; (c) a imputação por proximidade introduz ruído para jogadores em transição rápida (ex. estreias no top-50). O modelo tende a subestimar servos dominantes na primeira aparição numa superfície nova, porque a janela de 12 meses não tem representação suficiente. Próximos passos: LightGBM v0.3 para capturar interações não-lineares; feedback loop de recalibração pós-resultado; xAce como módulo independente.