很多人刚开始训练足球模型时，会有一个误解：
只要数据足够多，算法自己就能学出来。
这个想法只对了一半。
LightGBM、逻辑回归、泊松模型这些算法，确实可以从数据里学习规律。但它们并不会天然理解足球。
模型不知道什么叫强队。
不知道什么叫低位防守。
不知道什么叫赛程密集。
不知道主场和客场为什么不一样。
不知道一支球队最近进球多，是实力提升，还是短期效率高。
不知道一支升班马在低级别联赛的数据，能不能直接套到高级别联赛。
模型真正能看到的，只是你给它的字段。
你给它“主队近期场均进球”，它才能感知主队近期进攻状态。
你给它“客队近期场均失球”，它才能感知客队近期防守质量。
你给它“双方 Elo 差值”，它才能感知双方长期强弱差距。
你给它“休息天数差”，它才可能学习赛程压力。
你给它“联赛平均进球”，它才知道不同联赛的进球环境不同。
所以，特征工程不是一个技术细节。
它本质上是：
把你对足球比赛的理解，翻译成模型能读懂的变量。
模型学的不是足球本身。
模型学的是你构造出来的足球信息。
这一章就讲清楚：足球预测模型的特征工程到底应该怎么做。
一、特征工程不是字段越多越好
很多人做模型时，容易进入一个误区：
字段越多越好。
于是不断往模型里加：
近期进球；
近期失球；
排名；
积分；
历史交锋；
主客场；
射门；
角球；
控球率；
天气；
伤停；
联赛均值；
赔率；
半场数据；
各种衍生指标。
最后字段越来越多，模型看起来越来越复杂。
但效果不一定更好。
因为特征不是越多越好，而是要满足三个条件：
赛前可得。
足球含义清楚。
长期稳定有效。
如果一个特征赛前拿不到，它不能用。
如果一个特征含义不清楚，模型可能学到噪音。
如果一个特征只在某段时间有效，未来很容易失效。
举个例子。
“某队本赛季最终排名”看起来很有用，但它是未来数据，不能用于赛季中比赛预测。
“最近一场比分”可以用，但单场波动太大，不能单独代表球队真实状态。
“历史交锋胜率”看起来有故事，但很多时候样本太少，容易误导。
所以，特征工程第一原则是：
少而准，比多而乱更重要。
初版模型宁愿只做十几个干净特征，也不要一开始堆上百个不稳定字段。
二、足球特征要围绕六个核心问题构造
一场足球比赛，模型真正需要理解的东西，并没有那么神秘。
大多数特征都可以围绕六个问题展开：
- 谁整体更强？
- 谁近期状态更好？
- 谁进攻更强？
- 谁防守更稳？
- 主客场是否有明显差异？
- 赛程和联赛环境是否会改变比赛节奏？
这六个问题对应六类核心特征：
长期强弱特征；
近期状态特征；
进攻特征；
防守特征；
主客场特征；
赛程和联赛环境特征。
如果你把这六类特征做扎实，已经可以训练出一个比较像样的基础模型。
不要一开始就追求“什么都加”。
足球模型的第一版目标，是建立一个干净、稳定、可解释的基线。
后面再逐步扩展。
三、长期强弱特征：模型需要知道谁更强
足球比赛当然要看强弱。
但模型不能直接理解“强队”这个词。
你必须用数值告诉它。
常见长期强弱特征包括：
Elo 评分；
赛前排名；
赛前积分；
长期胜率；
长期净胜球；
长期进失球差；
球队市场价值或阵容强度评分；
近多个赛季的综合表现。
这里最常用的是 Elo。
Elo 的优势是滚动更新。
球队赢球，评分上升。
球队输球，评分下降。
赢强队，上升更多。
输弱队，下降更多。
Elo 比单纯排名更平滑，也更适合跨时间使用。
在足球模型里，通常不只看主队 Elo 和客队 Elo，更重要的是差值：
EloDiff = HomeElo - AwayElo
如果 EloDiff 很大，说明主队长期强弱优势明显。
如果 EloDiff 接近 0，说明双方长期实力接近。
如果 EloDiff 为负，说明客队长期强弱指标更高。
但要注意，Elo 也不是万能。
它不能直接处理伤停、轮换、赛程、战意、天气这些临场因素。
所以 Elo 适合做基础强弱特征，不适合单独决定模型结果。
四、近期状态特征：状态要看窗口，不要看一场
足球模型必须知道球队近期情况。
但“近期状态”不能只看最近一场。
最近一场噪音太大。
一场大胜，可能是实力提升，也可能是对手红牌。
一场惨败，可能是状态差，也可能是早早少打一人。
一场 0-0，可能是进攻乏力，也可能是门将神勇和机会浪费。
所以近期状态一般要用窗口统计。
常见窗口包括：
最近 5 场；
最近 10 场；
最近 15 场；
本赛季至今；
最近若干主场；
最近若干客场。
比如：
最近5场积分 = 最近5场每场积分之和
最近5场场均进球 = 最近5场总进球 / 5
最近5场场均失球 = 最近5场总失球 / 5
最近10场净胜球均值 = 最近10场净胜球之和 / 10
但是窗口选择要谨慎。
最近 5 场反应快，但波动大。
最近 10 场更稳一些，但反应慢。
赛季均值更稳定，但可能跟不上球队变化。
所以更好的做法不是只选一个窗口，而是同时使用多个窗口。
比如：
最近 5 场表示短期状态；
最近 10 场表示中期状态；
赛季至今表示长期表现。
模型会自己学习哪个窗口更有用。
但前提是这些窗口都必须严格使用比赛日前的数据。
五、窗口特征最容易出现未来数据泄漏
近期状态特征很常见，也最容易出错。
假设你要预测一场比赛：
比赛时间：2025-09-10
主队：A队
你计算 A 队最近 5 场进球时，只能使用：
2025-09-10 之前 A队已经完成的比赛
不能包含 2025-09-10 这场比赛本身。
这个错误很容易在程序里发生。
比如写查询时，如果条件是：
MatchDate <= CurrentMatchDate
就可能把当前比赛也包含进去。
正确逻辑应该是：
MatchDate < CurrentMatchDate
这个小细节非常重要。
如果当前比赛结果进入“最近5场”统计，模型就等于提前知道了答案。
回测会虚高。
上线后会失效。
所以，只要做窗口特征，一定要建立严格的时间边界。
六、进攻特征：不要只看进球数，要看进球能力是否稳定
进攻特征是足球模型的核心。
常见进攻特征包括：
近期场均进球；
主场场均进球；
客场场均进球；
近期进球趋势；
进球场次比例；
连续进球场次；
零进球比例；
大比分场次比例；
射门和射正相关历史均值；
xG 历史均值，如果数据可靠。
最基础的做法是统计近期进球。
比如：
主队最近5场场均进球 = 主队最近5场总进球 / 5
客队最近5场场均进球 = 客队最近5场总进球 / 5
但进球数本身有波动。
一支球队最近 5 场进了 12 个球，看起来很强。
但你要继续判断：
这些进球来自稳定机会，还是短期效率？
对手是不是很弱？
有没有红牌、点球、乌龙？
是不是其中一场 6-0 拉高了均值？
模型如果只看到平均值，可能会被极端比分带偏。
所以可以同时设计一些补充特征。
比如：
最近5场进球中位数
最近5场零进球场次
最近5场单场进3球以上次数
最近10场进球均值
中位数可以降低极端比分影响。
零进球场次可以反映进攻下限。
多窗口可以降低小样本波动。
七、防守特征：失球少不一定等于防守稳
防守特征同样重要。
常见防守特征包括：
近期场均失球；
主场场均失球；
客场场均失球；
零封率；
单场失 2 球以上比例；
被对手进球场次比例；
近期防守趋势；
被射门、被射正、被 xG 历史均值。
最基础的做法是：
主队最近5场场均失球 = 主队最近5场总失球 / 5
客队最近5场场均失球 = 客队最近5场总失球 / 5
但和进球一样，失球也有噪音。
一支球队最近 5 场只丢 2 球，看起来防守很好。
但可能是：
对手进攻弱；
门将表现超常；
对手浪费机会；
赛程轻松；
比赛节奏本来就慢。
如果有射门、射正或 xG 数据，可以用历史滚动值辅助判断。
例如：
最近5场被射正均值
最近5场被xG均值
最近10场被射门均值
但这些数据必须质量可靠。
如果低级别联赛技术统计不完整，宁可不用，也不要把脏数据加入模型。
没有稳定技术统计时，先用失球、零封、失2球以上比例等基础指标，反而更稳。
八、主客场特征：不要把主场和客场混在一起
足球里，主场和客场差异很明显。
很多球队主场强、客场弱。
如果只用总体均值，会掩盖差异。
例如某队总体场均进球是：
总体场均进球 = 1.50
但拆开看：
主场场均进球 = 2.10
客场场均进球 = 0.90
如果这队本场是主场，使用 1.50 会低估它的主场进攻。
如果本场是客场，使用 1.50 会高估它的客场进攻。
所以，主客场特征必须单独构造。
常见方式：
主队近期主场场均进球
主队近期主场场均失球
客队近期客场场均进球
客队近期客场场均失球
主队主场胜率
客队客场不败率
主队主场平局率
客队客场平局率
主客场特征尤其适合用于：
胜平负模型；
总进球模型；
泊松预期进球估计；
平局风险识别；
强弱关系判断。
很多模型表现不好，是因为只用了总体数据，没有区分比赛场景。
九、赛程特征：体能不是一句“累了”，要变成数字
赛程会影响球队表现。
但模型不能理解“赛程密集”。
你要把它变成数字。
常见赛程特征包括：
休息天数；
双方休息天数差；
过去 7 天比赛场数；
过去 14 天比赛场数；
是否连续客场；
是否刚踢完杯赛或洲际比赛；
是否有长途旅行；
是否短时间内多线作战。
最基础的是休息天数。
比如：
主队休息天数 = 当前比赛日期 - 主队上一场比赛日期
客队休息天数 = 当前比赛日期 - 客队上一场比赛日期
休息天数差 = 主队休息天数 - 客队休息天数
如果主队休息 7 天，客队休息 3 天：
休息天数差 = 7 - 3 = 4
说明主队体能准备时间更充分。
但休息天数不是越多越好。
休息太久也可能意味着比赛节奏下降。
所以它不是简单线性关系。
这类非线性关系，LightGBM 比逻辑回归更容易学习。
逻辑回归可能只能学到“休息天数差越大越有利”的简单趋势。
LightGBM 可以学习更复杂的分段关系。
十、联赛环境特征：不同联赛不是同一种足球
不同联赛的基础环境不同。
有些联赛进球多。
有些联赛平局多。
有些联赛主场优势明显。
有些联赛强弱差距大。
有些联赛节奏慢。
有些联赛总进球分布更集中在 2-3 球。
如果你把所有联赛混在一起训练，模型可能学到混合规律。
所以，需要给模型联赛环境信息。
常见联赛特征包括：
联赛平均进球；
联赛主胜率；
联赛平局率；
联赛客胜率；
联赛主队场均进球；
联赛客队场均进球；
联赛 0-0 比例；
联赛 2-3 球比例；
联赛 4 球以上比例。
这些特征同样必须按时间滚动。
不能用赛季结束后的联赛均值预测赛季中比赛。
正确做法是：
截至当前比赛日前，该联赛已完成比赛的平均进球
而不是：
整个赛季结束后的平均进球
联赛环境特征对总进球模型尤其重要。
因为同样两支球队的进攻防守数据，如果放在不同联赛背景下，含义会不同。
十一、相对特征比绝对特征更重要
很多时候，模型更关心双方差异，而不是单方数值。
比如：
主队 Elo = 1800
客队 Elo = 1650
这两个特征有用。
但差值更直接：
EloDiff = 1800 - 1650 = 150
再比如：
主队最近5场场均进球 = 1.8
客队最近5场场均进球 = 1.1
可以构造：
RecentAttackDiff = 1.8 - 1.1 = 0.7
再比如：
主队休息 6 天
客队休息 3 天
可以构造：
RestDaysDiff = 6 - 3 = 3
相对特征能帮助模型直接理解双方差距。
常见相对特征包括：
强弱差值；
进攻差值；
防守差值；
净胜球差值；
状态积分差值；
休息天数差值；
排名差值；
主客场表现差值。
但也不要只保留差值。
有时候绝对值也重要。
例如双方都很强和双方都很弱，差值可能接近，但比赛结构不同。
所以通常建议：
单方特征 + 差值特征一起保留。
十二、特征窗口要有层次，不能只看最近5场
近期窗口是特征工程的核心之一。
但只看最近 5 场不够。
最近 5 场反应快，但噪音大。
一支球队可能因为赛程轻松，最近 5 场表现很好。
也可能因为连续强敌，最近 5 场表现差。
如果只看 5 场，很容易被短期样本误导。
更合理的做法是多窗口组合。
比如：
最近5场：反映短期状态
最近10场：反映中期趋势
赛季至今：反映长期水平
主场最近5场：反映主场状态
客场最近5场：反映客场状态
多窗口的好处是：
模型可以同时看到短期和长期。
如果一队最近 5 场进球暴涨，但最近 10 场和赛季均值并不高，模型可能判断这是短期波动。
如果最近 5 场、10 场、赛季均值都上升，说明状态提升可能更稳定。
这比单窗口更可靠。
十三、时间衰减：昨天的比赛通常比三个月前更重要
足球状态会变化。
教练会换。
球员会伤停。
阵容会轮换。
球队打法会调整。
赛季阶段会变化。
所以，越近的比赛通常权重越高。
这就是时间衰减思想。
最简单的时间衰减方式是加权平均。
假设最近 5 场进球分别是：
最近第1场：2球
最近第2场：1球
最近第3场：3球
最近第4场：0球
最近第5场：1球
普通平均是：
(2 + 1 + 3 + 0 + 1) / 5 = 1.4
如果更重视最近比赛，可以给权重：
最近第1场权重：5
最近第2场权重：4
最近第3场权重：3
最近第4场权重：2
最近第5场权重：1
加权平均公式是：
加权平均 = (2×5 + 1×4 + 3×3 + 0×2 + 1×1) / (5+4+3+2+1)
计算：
= (10 + 4 + 9 + 0 + 1) / 15
= 24 / 15
= 1.6
加权后近期进攻均值是 1.6，比普通平均 1.4 更重视最近表现。
这只是一个简单例子。
实际系统里可以用更平滑的时间衰减方式。
但原理一样：
越近的比赛，对当前状态影响更大。
十四、特征不能只描述球队，也要描述比赛对位
足球比赛是双方对抗。
只看主队自己不够。
只看客队自己也不够。
真正重要的是对位关系。
例如：
主队进攻强，客队防守弱，主队优势更容易兑现。
主队进攻强，客队防守也强，比赛可能更拉锯。
主队边路强，客队边后卫弱，这个对位很关键。
主队高位压迫强，客队后场出球差，这可能形成压制。
模型里可以通过交互特征体现对位。
例如：
主队进攻强度 - 客队防守强度
客队进攻强度 - 主队防守强度
主队主场进攻均值 - 客队客场失球均值
客队客场进攻均值 - 主队主场失球均值
这些特征比单独进攻、防守更接近比赛。
足球不是静态实力比较。
足球是强点和弱点的碰撞。
特征工程要尽量表达这种碰撞关系。
十五、泊松模型里的特征和机器学习模型里的特征不完全一样
如果你用泊松建总进球或比分模型，核心是估计两个值：
λ_home = 主队预期进球
λ_away = 客队预期进球
这些值通常由进攻强度、防守强度、联赛均值、主客场修正构成。
比如一种简化思路：
主队预期进球 = 联赛主队平均进球 × 主队进攻强度 × 客队防守弱度
客队预期进球 = 联赛客队平均进球 × 客队进攻强度 × 主队防守弱度
这里每个概念都要定义清楚。
主队进攻强度可以理解为：
主队近期主场场均进球 / 联赛主队平均进球
客队防守弱度可以理解为：
客队近期客场场均失球 / 联赛客队平均失球
如果主队进攻强度大于 1，表示主队进攻高于联赛平均。
如果客队防守弱度大于 1，表示客队防守弱于联赛平均。
这类特征更偏足球统计建模。
而 LightGBM 使用的特征可以更宽泛。
比如 Elo、休息天数、状态积分、排名差值等都可以直接加入。
两者不冲突。
泊松模型偏结构化解释，LightGBM 偏非线性学习。
后续多模型融合时，可以让它们互相补充。
十六、逻辑回归需要更干净、更线性的特征
逻辑回归是很好的基线模型。
但它对特征要求更高。
因为逻辑回归主要学习线性关系。
如果你给它一个特征：
EloDiff
它会学习 EloDiff 增大时，主胜概率如何变化。
但如果关系不是线性的，逻辑回归表达能力有限。
比如休息天数。
休息 3 天和休息 6 天差异明显。
但休息 12 天和休息 15 天，不一定继续线性提升。
这种非线性逻辑回归不容易直接学好。
可以通过分箱处理：
休息天数 <= 3
休息天数 4-6
休息天数 7-10
休息天数 > 10
这样逻辑回归能更好理解不同区间。
所以，如果你使用逻辑回归，要特别注意：
特征尺度；
特征方向；
异常值；
分箱；
标准化；
共线性。
逻辑回归的价值是可解释。
它适合帮助你检查特征方向是否符合足球常识。
十七、LightGBM 可以吃更多特征，但更容易学到噪音
LightGBM 适合表格数据，也擅长学习非线性和特征交互。
比如它可能学到：
EloDiff 很大 + 主队休息充足 + 客队客场防守差时，主胜概率明显上升。
也可能学到：
主队近期进球很多，但联赛均值低、对手防守好时，总进球未必很高。
这种交互关系，LightGBM 比逻辑回归更擅长。
但问题是：
LightGBM 也更容易学到噪音。
如果特征里混入未来数据，它会利用得非常好。
如果某些小样本特征刚好在历史上表现好，它也可能过度学习。
如果特征太多而样本不够，它可能在训练集上很好，未来不稳定。
所以，LightGBM 的特征工程必须更谨慎。
不要因为它能处理复杂关系，就把所有字段都扔进去。
强模型更需要干净数据。
十八、特征要可复盘，不能只追求模型分数
有些特征可能让历史回测提升。
但你解释不清楚它为什么有效。
这种特征要谨慎。
足球模型不是纯竞赛环境。
如果你要长期运营一个产品，特征必须具备一定可解释性和可复盘性。
比如：
EloDiff 有解释性。
近期进球均值有解释性。
休息天数差有解释性。
主客场失球均值有解释性。
联赛平均进球有解释性。
但一些奇怪组合特征，如果只是历史上有效，却没有足球逻辑支撑，就要小心。
因为它可能只是过拟合。
真正好的特征应该满足：
赛前可用；
足球含义明确；
计算稳定；
跨时间不过度失效；
可以在赛后复盘中解释。
模型不是只为了历史分数好看。
它要能长期运行。
十九、特征工程的最低可行方案
如果从零开始，可以先做一个最小可行特征集。
不需要公开具体字段命名，只要按维度构造即可。
第一类：长期强弱。
例如 Elo 或赛前强弱评分。
第二类：近期状态。
例如最近 5 场、10 场的进球、失球、积分、净胜球。
第三类：主客场表现。
例如主队近期主场攻防，客队近期客场攻防。
第四类：赛程压力。
例如休息天数、近期比赛密度、连续客场。
第五类：联赛环境。
例如联赛赛前平均进球、主场进球水平、平局率。
第六类：双方差值。
例如强弱差、攻防差、休息天数差、排名差。
用这六类特征，就可以训练出一个基础模型。
先把这套跑通，再考虑更复杂的信息。
二十、特征工程最常见的错误
第一，使用赛后数据。
比如当前比赛的射门、控球、角球进入赛前特征。
第二，使用未来汇总数据。
比如赛季最终排名、最终场均进球。
第三，只看最近 5 场。
窗口太短，容易被短期波动影响。
第四，不分主客场。
把主场强和客场弱混在一起。
第五，过度相信历史交锋。
样本小，变化大，容易学到噪音。
第六，一开始堆太多字段。
模型复杂但不稳定。
第七，特征没有足球解释。
历史表现好，不代表未来有效。
第八，不做缺失值区分。
真实 0 和未知不能混为一谈。
这些错误比算法参数更致命。
二十一、本章实操检查清单
构造足球特征时，至少检查这些问题：
1. 每个特征是否赛前可得？
2. 每个特征是否有明确足球含义？
3. 近期状态是否只使用比赛日前数据？
4. 是否同时使用短期窗口和中长期窗口？
5. 是否区分主场和客场？
6. 是否有长期强弱特征，例如 Elo 或类似评分？
7. 是否有进攻、防守、赛程、联赛环境几个基础维度？
8. 是否构造了双方差值或对位特征？
9. 缺失值是否有合理处理方式？
10. 是否避免一开始堆太多复杂字段？
11. 特征是否能在赛后复盘中解释？
12. 复杂特征是否有过拟合风险？
如果这些问题回答不清楚，特征工程还没有准备好。
本章小结
足球特征工程的核心，不是堆字段。
而是把你对足球比赛的理解，变成模型可以学习的赛前信号。
一套基础特征至少要覆盖：
长期强弱；
近期状态；
进攻能力；
防守能力；
主客场差异；
赛程压力；
联赛环境；
双方差值和对位关系。
这些特征必须满足：
赛前可用；
含义明确；
计算稳定；
可以复盘。
泊松模型需要围绕预期进球构造攻防强度。
逻辑回归需要更干净、更可解释的特征。
LightGBM 可以学习复杂交互，但更需要防止过拟合和数据泄漏。
下一章我们继续讲：
足球模型的标签怎么设计？胜平负、总进球、比分和半全场不是同一个问题。
本文仅供足球数据研究和模型训练学习参考，不构成任何投注建议。