스포츠 득점 흐름 예측 복원과 반지속성 모델

본 논문은 팀 스포츠 경기 중 발생하는 득점 이벤트의 순서를 이용해 두 가지 온라인 예측 문제—“다음에 누가 득점할까?”와 “누가 최종 승리할까?”—를 해결하고자 한다. 이를 위해 저자들은 경기 진행 상황에 따라 득점 확률이 변한다는 두 가지 가설을 설정한다. 첫 번째 가설은 득점 확률이 오직 팀 스킬에만 의존하고 현재 경기 상태(리드 크기 등)와는 무관하다는 것이며, 두 번째 가설은 리드 크기와 직전 득점 팀과 같은 경기 상태가 득점 확률에 영향을 미친다는 것이다. 데이터는 미국 대학 풋볼(CFB), 프로 풋볼(NFL), 프로 농구(NBA), 프로 아이스하키(NHL) 네 리그에서 2000~2009년(또는 2002~2010년 NBA)까지 10년간 수집된 전체 득점 이벤트를 포함한다. 각 경기마다 점수 값 φ_i와 득점 팀 ψ_i(팀 r 또는 b) 시퀀스를 구성하고, 리드 L_i는 팀 r 관점에서 누적 점수 차로 정의한다. 전처리 과정에서는 연장전·오버타임 이벤트를 제외하고, 동일 시각에 발생한 동시 득점은 하나의 합산 점수로 병합해 순서를 명확히 했다. 모델링 단계에서는 기본 베르누이 모델을 출발점으로 삼아, 리드에 따른 복원 효과와 직전 득점 팀에 따른 반지속성을 각각 파라미터화한다. 복원 효과는 P(ψ_i = r | L_{i‑1})가 리드 L에 대해 선형(또는 비선형) 감소하도록 설정하고, 반지속성은 전이 확률 행렬 T_{ab}=P(ψ_i = b | ψ_{i‑1}=a)로 표현한다. 이 두 메커니즘을 결합한 확률 생성 모델은 경기 내 득점 순서를 마코프 과정으로 기술하며, 팀별 스킬 파라미터 θ_j도 동시에 추정한다. 파라미터는 최대우도 추정(MLE) 혹은 베이지안 사후 추정을 통해 학습되며, 모델 선택을 위해 AIC/BIC와 같은 정보 기준을 사용한다. 가설 검증을 위해 저자들은 세 가지 무작위화 검정을 적용한다. 시리얼 테스트는 빅램 빈도(rr, rb, br, bb)가 균등분포를 따르는지 확인해 팀 간 기본 득점 편향을 탐지한다. Wald‑Wolfowitz 런 테스트는 연속된 동일 팀 득점(런)의 수가 기대값보다 현저히 적은지를 검사해 복원(또는 반복) 현상을 식별한다. 자기상관 테스트는 ψ 시퀀스와 자체를 한 단계 시프트한 시퀀스 간 상관관계를 측정해 반지속성(양의 자기상관) 혹은 반지속성(음의 자기상관)을 판단한다. 결과는 NBA와 NFL에서 강한 반지속성 및 복원 효과가 관찰되었으며, CFB와 NHL은 이벤트 수가 적어 통계적 검정력이 낮지만 일부 시즌에서 유의미한 패턴이 발견되었다. 예측 성능 평가에서는 두 가지 과업에 대해 제안 모델과 여러 베이스라인을 비교한다. 베이스라인에는 고정된 승률을 갖는 독립 베르누이 모델, Elo 기반 승률 모델, 그리고 최근 득점 비율을 이용한 단순 이동 평균 모델 등이 포함된다. “다음 득점 팀” 예측에서는 제안 모델이 평균 정확도 0.68~0.74(리그별)로, 베이스라인 0.55~0.60을 크게 앞섰다. “승자 예측”에서는 경기 진행 중 실시간으로 업데이트된 승률이 경기 종료 시점에 실제 승자를 90% 이상 정확도로 맞추었으며, 이는 사전 시즌 승률만을 이용한 예측보다 빠르게 수렴했다. 또한, 모델이 추정한 팀 스킬 θ_j는 시즌 중 변동을 포착했으며, 특정 팀의 급격한 상승·하락을 시계열적으로 추적할 수 있었다. 결론적으로, 이 논문은 득점 순서라는 고해상도 데이터를 활용해 경기 내 동적 상호작용을 정량화하고, 복원과 반지속성이라는 두 가지 심리·전략 메커니즘을 명시적으로 모델링함으로써 기존 승패‑스킬 모델이 놓치던 “게임 흐름”을 포착한다. 제안된 확률 생성 모델은 다양한 팀 스포츠에 적용 가능하며, 실시간 베팅, 코칭 전략 수립, 그리고 스포츠 과학 연구에 유용한 도구가 될 수 있다.