Un modèle convaincant sur des données historiques peut se dégrader dès le mois suivant. Avant de choisir vos indicateurs, fixez la question : de quelles informations disposiez-vous réellement avant le match et comment auriez-vous évalué la décision ensuite ? Une simulation fidèle respecte ces deux moments.
Reconstituer les décisions dans l’ordre du temps
Entraînez le modèle sur janvier, février et mars, puis consignez vos prévisions simulées d’avril avant de consulter les résultats. Déplacez la fenêtre, entraînez le modèle jusqu’en avril et testez-le sur mai. Fixez le protocole à l’avance et conservez une période finale intacte, même si les résultats intermédiaires vous donnent envie de modifier vos règles. Une étude de 2026 sur des marchés d’avant-match de LaLiga illustre la mise en œuvre de ces contrôles temporels.
Auditer la date de disponibilité des données
Notez l’heure de publication de la composition, celle de l’annonce d’une absence et celle du relevé de la cote. Une cote de clôture intégrée à une prévision matinale apporte une information future. La même fuite apparaît lorsqu’une moyenne inclut des rencontres ultérieures ou lorsque des doublons se glissent entre entraînement et évaluation. Notez l’heure, le marché, les règles, la source et le motif d’exclusion de chaque cas.
Distinguer les indicateurs
Dans un exemple simulé, vous attribuez une probabilité de 70 % à chacun de 20 événements et 12 se produisent. La fréquence observée est de 60 %. Cet écart mérite une question, avec une taille d’échantillon trop faible pour conclure. Le guide de calibration de scikit-learn explique comment regrouper les prévisions par niveau de probabilité et comparer les fréquences. Présentez aussi la taille de l’échantillon, les erreurs, les coûts supposés et les résultats par période. Le CLV compare des prix soumis aux mêmes règles et ne suffit pas à établir une rentabilité. Une mise simulée constante permet d’isoler la qualité des prévisions. Le critère de Kelly ajoute une variable et dépend de probabilités incertaines.
Terminez en notant une amélioration, le résultat qui la réfuterait et la date du prochain test. Un changement de marché ou de source mérite un test distinct.


