Le football, modélisé avec la rigueur de la recherche quantitative.
Rondo Research est fondé par Lucas da Silva, chercheur quantitatif et doctorant en mathématiques financières. Il met son expertise en modélisation au service du football : probabilités calibrées, distributions complètes, simulation de Monte-Carlo, validation hors échantillon, et des limites écrites noir sur blanc.
- Formation
- Doctorant en mathématiques — mathématiques financières
- Parcours
- Assurance, analyse quantitative, puis recherche quantitative appliquée au football
- Spécialités
- Modélisation probabiliste, calibration, simulation de Monte-Carlo, risque de modèle
Des modèles de risque
au football.
Trois terrains, une même question : quelle est la probabilité de cet événement, et comment savoir si elle est juste ? Le football n'est pas un changement de métier ; c'est un nouvel objet pour les mêmes méthodes.
- 01Assurance
Chargé d’études actuarielles
Estimer la probabilité et le coût d’événements incertains, puis vérifier, à mesure que les sinistres arrivent, que les probabilités retenues tenaient. Un chiffre y engage un bilan ; il doit se justifier.
- 02Finance quantitative
Analyste quantitatif
Des modèles de risque calibrés sur données, des simulations de Monte-Carlo, et une exigence constante : savoir ce que le modèle ignore, et le dire avant que le marché ne le rappelle.
- 03Rondo Research
Fondateur, chercheur quantitatif
Une expertise en modélisation mise au service d’un autre objet incertain : le match de football. Un modèle de buts, des saisons simulées, une calibration mesurée et publiée.
Pourquoi un chercheur quantitatif
regarde le football.
Un match n'est pas une opinion à défendre : c'est un événement incertain, dont on peut estimer la loi, simuler les conséquences et vérifier l'estimation sur des données qui n'ont pas servi à la produire. C'est exactement l'objet de la recherche quantitative.
Un match est une loi de probabilité, pas un pronostic.
Un modèle probabiliste ne désigne pas un vainqueur : il estime la loi de ce qui peut arriver. Nous traitons une rencontre ainsi — trois issues, une grille complète de scores, chacune avec sa probabilité. Pas de « favori », une incertitude chiffrée.
La calibration d’abord.
Une probabilité est juste si les « 20 % » arrivent bien une fois sur cinq. C’est la première question que la recherche quantitative pose à un modèle, et celle que nous posons au nôtre, tranche par tranche, sur des milliers de rencontres.
Une loi, pas un point.
La moyenne ne dit rien du risque : il faut la distribution entière, et surtout ses queues. Pour chaque saison, nous donnons la loi complète de la place finale, du titre à la relégation, et non un classement « prédit ».
Simuler plutôt que deviner.
Ce qui se calcule mal à la main se simule. La saison restante est rejouée des milliers de fois par Monte-Carlo, à partir des forces estimées : les probabilités de titre ou de maintien en sont la fréquence, pas une intuition.
Juger le modèle hors échantillon.
Un modèle qui explique parfaitement le passé n’a encore rien prouvé. La seule épreuve qui compte est celle des rencontres qu’il n’a pas servi à ajuster : c’est la discipline de validation que nous nous imposons, et la calibration publiée en rend compte.
Le risque de modèle se documente.
Tout modèle est faux quelque part ; la question est de savoir où. Le nôtre apprend du jeu observé : une blessure ou un transfert n’y entre qu’une fois traduit sur le terrain. Nous l’écrivons, au même endroit que les chiffres.
Ce qu'un comité des risques exigerait de nous.
Dans une compagnie d'assurance ou sur un desk quantitatif, un modèle ne passe pas en production sur sa seule réputation. Il doit être documenté, daté, validé, et ses limites doivent être connues de ceux qui s'en servent. Nous nous imposons les mêmes règles, que vous soyez une rédaction ou un réassureur.
Traçabilité
Chaque chiffre renvoie au calcul qui l’a produit, et ce calcul à une méthode décrite. Rien n’est retouché à la main entre le modèle et vous.
Calculs datés
Une probabilité n’a de sens qu’à une date. Chaque sortie porte celle de son calcul : un rapport se rattache à un état précis du modèle.
Validation sur les faits
La calibration est mesurée sur des rencontres réelles, après coup, et publiée telle quelle — y compris là où le modèle se trompe le plus.
Limites écrites
Ce que le modèle ne voit pas, ce qu’il sous-estime, ce qu’il ne couvre pas : dit dans la méthode, dans la couverture, et dans chaque rapport qui en dépend.
Une approche,
et ce qu'elle produit.
Ce qui est ouvert se vérifie dès aujourd'hui, gratuitement. Ce qui se livre porte un statut honnête : disponible, sur demande, ou encore en développement.
La méthode
DisponibleForces d’équipe, matrice des scores, simulation de la saison : chaque étape décrite, comme une note méthodologique de modèle interne.
Lire la méthode →La calibration
DisponibleL’annoncé face à l’observé, publié en accès libre. Le back-testing que tout acheteur de modèle devrait exiger.
Voir la preuve →Les sorties du modèle
DisponibleClassements projetés, forces, probabilités par rencontre, sur 24 compétitions suivies, chacune datée de son calcul.
Ouvrir la modélisation →Risque & assurance
Sur demandeProbabilités d’événements, distributions complètes, scénarios et rapports datés : la tarification indépendante d’un risque sportif.
Le détail pour les assureurs →Clubs, médias, agents
Sur demandeObjectifs de saison chiffrés, graphiques pour les rédactions, destinations comparées : le même modèle, une question par métier.
Le détail pour les clubs →API & données
Sur demandeProbabilités, matrices de scores, forces et calibration en JSON documenté, pour vos propres modèles.
Le détail pour les équipes data →Modèle d’impact joueur
En développementCe que la présence d’un joueur change aux buts de son équipe. Ouvert en pilote, limites écrites avant les résultats.
Où en est le pilote →Un modèle ne se croit pas sur parole.
Il se confronte aux faits.
Sur chaque tranche de probabilité, l'annoncé face à ce qui s'est réellement produit. Pour la victoire à domicile, l'écart moyen est aujourd'hui de 2,3 %, mesuré sur 2 094 rencontres. Nous le publions tel quel, y compris là où le modèle est le moins bon.
Chaque point est une tranche de probabilité ; sa taille est le nombre de cas. Sur la diagonale, le modèle tient parole. Ici, sur 2 094 rencontres de résultat 1X2, l'écart moyen entre annoncé et observé est de 2,3 %.
Quatre engagements,
vérifiables sans nous.
Une société de modélisation se juge à ce qu'elle accepte de montrer. Les nôtres tiennent en quatre lignes, et chacune renvoie à une page que vous pouvez consulter.
Méthode publiée
Le modèle de buts, la simulation et leurs hypothèses sont décrits. La méthode →
Calibration publique
L'annoncé face à l'observé, en accès libre, bon ou mauvais. La preuve →
Chiffres datés
Chaque probabilité porte la date du calcul qui l'a produite. Les sorties →
Limites dites
Ce que le modèle couvre, et ce qu'il ne couvre pas, écrit sans détour. La couverture →
Des profils qui aiment vérifier.
Ce qui compte ici n'est pas une ligne de CV, mais la capacité à douter d'un chiffre, à retrouver d'où il vient, et à écrire clairement ce qu'on a trouvé.
- Modélisation et statistique — modèles de comptage, simulation, validation hors échantillon.
- Ingénierie — Python pour la chaîne de calcul, TypeScript pour le site et l'API.
- Rédaction — raconter ce que dit un modèle sans le trahir.
Aucun poste n'est ouvert en continu. Candidatez quand même : nous lisons tout et nous répondons, y compris pour dire non. Pas de lettre de motivation — dites-nous plutôt ce que vous avez construit, et ce qui n'y allait pas.
Un problème de modélisation à poser ?
Un risque à tarifer, un objectif de saison à chiffrer, un flux de données à brancher : écrivez-nous. Nous revenons vers vous avec les chiffres qui vous concernent, datés, et leurs limites.