xG (ожидаемые голы)

11 сентября 2026 · ~17 мин чтения

xG (ожидаемые голы)

xG (expected goals, ожидаемые голы) — вероятность того, что конкретный
удар станет голом. Её оценивает статистическая модель по сотням тысяч
похожих ударов из прошлого. Сумма таких вероятностей за матч показывает,
сколько голов команда «должна была» забить при среднем исполнении, то есть
качество созданных моментов без поправки на везение.

История

Футбол долго считали игрой, которую невозможно измерить. Голов мало, в
среднем два-три за матч. На поле 22 человека, игра непрерывная, и главное
событие, гол, случается слишком редко, чтобы по нему что-то понять.
Статистика десятилетиями сводилась к голам, ударам, угловым и владению.

Первым, кто взялся считать всерьёз, обычно называют Чарльза Рипа
(Charles Reep), отставного офицера Королевских ВВС Великобритании.
Примерно с 1950 года он вручную, карандашом в блокноте, записывал каждое
действие в матчах английских клубов и занимался этим десятилетиями.
Его главный вывод: большинство голов рождаются из атак в три паса и
короче. Этот вывод повлиял на английский «длинный мяч» и сегодня считается
хрестоматийным примером того, как честные данные приводят к неверному
выводу. Рип не учёл, что коротких атак в принципе больше всего, поэтому и
голов из них больше.

В 1997 году Рип вместе со статистиком Ричардом Поллардом (Richard
Pollard) опубликовал в журнале The Statistician статью «Measuring the
effectiveness of playing strategies at soccer». В ней вероятность того, что
удар окажется голом, моделировалась через логистическую регрессию от
расстояния до ворот и угла удара. Это и есть зародыш xG: модель ещё
простая, но идея уже та самая.

Параллельно похожие идеи развивались в хоккее. Примерно в 2004 году
аналитик Алан Райдер (Alan Ryder) опубликовал работу о «качестве бросков»
(shot quality) в НХЛ, а блогеры-аналитики придумали метрики Corsi и Fenwick,
простой подсчёт попыток бросков. Хоккейная аналитика тогда шла на
несколько лет впереди футбольной.

Широкая футбольная публика услышала словосочетание «expected goals»
примерно в 2012 году: аналитик компании Opta Сэм Грин (Sam Green)
опубликовал в блоге OptaPro разбор нападающих Премьер-лиги через ожидаемые
голы. В 2013–2016 годах идею подхватила группа британских и американских
блогеров. Один из их блогов, StatsBomb Теда Кнутсона (Ted Knutson), позже
вырос в компанию-поставщика данных.

Главная веха популяризации — 2017 год, когда BBC начала показывать xG в
передаче Match of the Day. Скептиков хватало: ведущий Sky Sports Джефф
Стеллинг тогда же публично высмеял xG в эфире. Но со временем метрика
стала стандартом: сегодня её показывают трансляции, официальный сайт
Премьер-лиги и почти все спортивные приложения.

Дальше модели усложнялись. Примерно с 2018 года StatsBomb собирает для
каждого удара «freeze frame» (стоп-кадр) — позиции всех игроков в момент
удара, включая вратаря. Модели перешли с логистической регрессии на
градиентный бустинг и нейросети. Появились производные метрики: PSxG
(качество удара после того, как по мячу ударили), xA (ожидаемые
голевые передачи), xT (ожидаемая угроза).

Владельца у xG нет, это понятие, а не продукт. Своя модель есть у каждого
поставщика данных: Opta (сейчас в составе Stats Perform), StatsBomb (по
моим данным, с 2023 года принадлежит компании Hudl), Understat и другие.
Для одного и того же удара их числа могут заметно расходиться.

Что это такое

xG — это не статистика того, что было, а оценка того, что обычно
бывает в такой ситуации. Берут огромную базу ударов, у каждого известен
результат (гол или не гол) и обстоятельства: откуда били, чем (ногой или
головой), после какой передачи, в какой фазе игры (позиционная атака,
контратака, стандарт), где стояли защитники и вратарь. Модель учится на
этой базе и для любого нового удара выдаёт число от 0 до 1: какая доля
«таких же» ударов в истории заканчивалась голом.

Порядок величин, чтобы было за что зацепиться (цифры примерные и зависят
от модели):

• пенальти — около 0,76–0,79;
• удар ногой из центра вратарской площади — порядка 0,3–0,5;
• удар головой после навеса с 10–12 метров — около 0,05–0,1;
• удар из-за штрафной — 0,02–0,05;
• средний удар в топ-лигах — около 0,1, то есть забивается примерно
  каждый десятый.

Дальше всё складывается. xG команды за матч — сумма xG всех её ударов.
xGA (expected goals against, ожидаемые пропущенные) — то же самое по
ударам соперника в твои ворота. xGD — разница между ними. npxG
(non-penalty xG) — xG без пенальти: пенальти — отдельная лотерея, и
команде, которой повезло с тремя пенальти за месяц, они сильно искажают
картину. xPts (expected points, ожидаемые очки) — сколько очков команда
набрала бы в среднем, если бы её матчи переиграли тысячи раз с теми же
моментами.

Чем xG отличается от похожих вещей:

xG vs голы. Голы — факт, xG — оценка качества моментов. Разница
G − xG называется перебором или недобором. В ней смешаны удача,
мастерство бьющих и игра вратарей, и по короткому отрезку их не разделить.

xG vs удары. Двадцать ударов издали по 0,03 дают 0,6 xG — меньше, чем
один пенальти. Счётчик ударов награждает за количество, xG за качество.

xG vs PSxG (post-shot xG). xG оценивает удар до того, как по мячу
ударили: позицию и обстоятельства. PSxG (он же xGOT, xG on target)
оценивает после, с учётом того, куда полетел мяч, в угол или в руки
вратарю. Сравнение PSxG с пропущенными голами — главный инструмент оценки
вратарей.

xG vs xA. xA (expected assists) приписывает xG удара игроку, который
отдал последний пас. Партнёр промахнулся с пяти метров — голевой передачи
нет, а xA у пасующего есть.

Аналогии из жизни

Экзамен по билетам. Студент выучил 24 билета из 30, значит, с
вероятностью 80% он вытянет знакомый. Это его «xG»: качество подготовки.
Вытянул незнакомый и получил тройку — это «результат». Судить подготовку по
одной оценке несправедливо, по десяти сессиям уже можно.

Где ломается: билеты не сопротивляются. На экзамене вероятность
фиксирована и не зависит от того, как ты отвечаешь. В футболе соперник
активно меняет вероятности: забила команда первой — и отошла назад,
отдавая удары издали. Проигрывающая бьёт много и плохо, её xG разбухает.
Этот эффект так и называется, score effects (эффект счёта). Кроме того,
студент знает, какие билеты он выучил, а модель xG не знает, кто бьёт:
она считает для среднего игрока против среднего вратаря.

Рыбалка. Опытный рыбак оценивает свой день не по улову, а по тому,
сколько раз закинул в «рыбные» места: у коряги, на свале глубины, на
утренней зорьке. Можно просидеть идеальное утро и уйти пустым, а можно
случайно поймать щуку на мелководье в полдень. Хороший процесс на
дистанции даёт рыбу, но в отдельный день ничего не гарантирует.

Где ломается: у рыбака нет базы из сотен тысяч забросов с известным
исходом, его «модель» — интуиция и опыт, её нельзя проверить. У xG модель
явная и проверяемая. Второе отличие: мастерство рыбака влияет на исход
напрямую, и хороший рыбак стабильно ловит больше среднего. Модель xG
мастерство бьющего как раз выносит за скобки. Если нападающий класса
Месси годами забивает больше своего xG, это не везение, но модель этого не
увидит.

Прогноз погоды. Синоптик сказал «70% дождя», дождя не было. Ошибся ли
он? Нет, если в 3 из 10 таких дней действительно сухо. Прогноз проверяют
не по одному дню, а по калибровке: из всех дней с «70%» дождь должен идти
примерно в 70%. Точно так же проверяют модели xG: среди ударов с xG около
0,2 голом должно заканчиваться около 20%.

Где ломается: погода не реагирует на прогноз, а футболисты реагируют на
счёт и друг на друга. К тому же синоптик сверяется на тысячах дней в год, а
у команды за сезон 30–38 матчей: слишком мало, чтобы шум усреднился.

Как это работает

Шаг 1. Сбор событий. Операторы (сейчас всё чаще в паре с
компьютерным зрением) размечают каждый матч: для каждого удара фиксируют
координаты, часть тела, тип предыдущей передачи (навес, пас в разрез,
отскок), фазу игры (позиционная атака, контратака, стандарт), а в
продвинутых данных ещё и позиции всех игроков. Это называется event data
(событийные данные), в отличие от tracking data (координаты всех игроков
много раз в секунду).

Шаг 2. Разметка. У каждого удара в базе есть метка: 1, если гол, и 0,
если нет. Задача сводится к классической бинарной классификации.

Шаг 3. Обучение модели. Классический вариант — логистическая
регрессия:

p(гол) = 1 / (1 + e^−(β0 + β1·расстояние + β2·угол + β3·[головой] + …))

Коэффициенты β модель подбирает сама по историческим ударам, а функция
1/(1+e^−z) (сигмоида) сжимает любое число в диапазон от 0 до 1. Чем
дальше от ворот, тем меньше p; удар головой при прочих равных опасен
меньше, чем ногой. Современные модели заменяют формулу на градиентный
бустинг (ансамбль решающих деревьев), но смысл тот же: признаки удара на
входе, вероятность на выходе.

Шаг 4. Калибровка. Модель проверяют не по тому, угадала ли она
конкретный удар (это невозможно), а по тому, честные ли у неё
вероятности. Удары раскладывают по корзинам: 0–0,05, 0,05–0,1 и так далее,
и сравнивают среднее xG корзины с реальной долей голов. Для сводной оценки
используют log-loss (логарифмическую функцию потерь) или Brier score
(среднеквадратичную ошибку вероятностного прогноза, её предложил
метеоролог Гленн Брайер в 1950 году).

Шаг 5. Агрегация. xG ударов складывают. Есть тонкость: добивания.
Если в одном эпизоде был удар на 0,4, вратарь отбил, и сразу добивание на
0,5, то наивная сумма 0,9 завышает шанс. Больше одного гола из этого
эпизода быть не могло. Корректно считать вероятность хотя бы одного гола:
1 − (1 − 0,4)·(1 − 0,5) = 0,7.

Шаг 6. Из xG в исход матча. Сумма xG не говорит, кто выиграл бы
«по делу». Для этого матч симулируют: каждый удар — монетка со своей
вероятностью, матч «переигрывают» десятки тысяч раз (метод Монте-Карло).
Вот что показывает симуляция, которую я прогнал для этой статьи. У двух
команд одинаковые 0,8 xG, но устроены они по-разному:

Команда А: один выход один на один (0,6) + четыре удара издали по 0,05
Команда Б: десять средних ударов по 0,08

P(команда не забьёт ни разу):  А ≈ 33%,  Б ≈ 43%
Итог 200 000 симуляций:  победа А ≈ 34%,  ничья ≈ 37%,  победа Б ≈ 29%

Одинаковый xG — разные шансы: одна большая возможность надёжнее россыпи
мелких. Из этих вероятностей победы, ничьей и поражения и получаются
ожидаемые очки: 3·P(победа) + 1·P(ничья).

Шаг 7. Прогноз будущего матча. Для прогноза берут средние xG и xGA
команд за последние матчи, делают поправку на дом и выезд и получают λ
(лямбду) — ожидаемое число голов каждой стороны. Дальше распределение
Пуассона, P(k голов) = λ^k·e^−λ / k!, для каждой команды отдельно. Пример
для λ хозяев 1,5 и гостей 1,0:

             гости 0   гости 1   гости 2   гости 3
хозяева 0      8,2%      8,2%      4,1%      1,4%
хозяева 1     12,3%     12,3%      6,2%      2,1%
хозяева 2      9,2%      9,2%      4,6%      1,5%
хозяева 3      4,6%      4,6%      2,3%      0,8%

Победа хозяев ≈ 48%, ничья ≈ 26%, победа гостей ≈ 25%

Посмотри на два поучительных места. Самые вероятные счета, 1:0 и 1:1,
делят первое место с 12,3%: даже лучший точный счёт не сбывается в 88%
случаев. А ничья, случающаяся в каждом четвёртом матче, почти никогда не
бывает самым вероятным исходом. Поэтому стратегия «всегда ставь самый
вероятный исход» систематически недодаёт ничьих. Модель с независимыми
пуассонами к тому же немного ошибается именно на низких счетах; поправку
к ней в 1997 году предложили статистики Марк Диксон и Стюарт Коулз.

Где встречается в обычной жизни

• Статистика матча в приложении или трансляции. Строка «Ожидаемые
  голы 2,14 – 0,87» под счётом 0:1 и есть xG. Она говорит, что победитель,
  скорее всего, увёз три очка с помощью вратаря и удачи.
• «Мы их задавили, просто не повезло». Этот вечный спор в баре после
  матча — бытовой xG-аргумент. Раньше его нечем было проверить, теперь
  можно: либо моменты были, либо было только владение.
• Фэнтези-футбол. Миллионы игроков Fantasy Premier League и
  аналогов выбирают нападающих по xG за последние матчи. Логика такая:
  форвард, который создаёт моменты, но пока не забивает, скоро «прорвётся»,
  и его выгодно взять заранее.
• Коэффициенты букмекеров. Когда видишь «П1 — 1,92», внутри почти
  наверняка работает модель, где ожидаемые голы — одна из основных входных
  переменных. Коэффициент — это обратная вероятность плюс маржа: 1/1,92 ≈
  52%, из которых часть — комиссия конторы.
• Обзоры туров. «Команда перебрала», «реализация подвела», «вратарь
  вытащил» — это разница голов и xG, пересказанная словами.

Где встречается в IT и бизнесе

• Скаутинг и трансферы. Нужно, когда ищешь недооценённого игрока.
  Нападающий с высоким npxG на 90 минут и низкой реализацией в слабой
  команде стоит дёшево, но создаёт моменты, а реализация на дистанции
  обычно подтягивается к xG. Это регрессия к среднему (явление, описанное
  Фрэнсисом Гальтоном ещё в 1886 году), применённая к трансферному рынку.
• Беттинг и маркет-мейкинг. Нужно, когда деньги зависят от точности
  вероятностей. Букмекеры и синдикаты строят модели на xG, составах и
  рыночных движениях. Именно из этой среды вышли владельцы, построившие
  клубы на аналитике (о них ниже).
• Паттерн «ожидаемое против фактического» в продажах. Взвешенная
  воронка (сумма сделок, умноженная на вероятность закрытия на каждом этапе)
  — это xG отдела продаж. Менеджер, который закрыл мало сделок, но создал
  много качественных возможностей, скорее «недобрал», чем плохо работает.
  То же с лидогенерацией: скоринг лидов оценивает вероятность того, что
  заявка станет сделкой, и позволяет сравнивать каналы до того, как деньги
  дошли до кассы.
• Машинное обучение. xG-модель — хрестоматийная учебная задача
  бинарной классификации с редким событием. Тот же инструментарий
  (логистическая регрессия, калибровка, Brier score, log-loss) один в один
  применяется в антифроде, кредитном скоринге (вероятность дефолта) и
  прогнозе оттока клиентов.
• Оценка решений в неопределённости. Нужно, когда результат шумный, а
  решения надо разбирать: инвестиции, найм, продуктовые эксперименты.
  Вопрос в духе xG — «насколько хорош был процесс, если убрать удачу» —
  защищает от выводов по одному удачному или провальному кварталу.

Кто пользуется

• Liverpool. Отдел исследований под руководством Иэна Грэма (Ian Graham,
  PhD по теоретической физике из Кембриджа) работал в клубе примерно с 2012
  по 2023 год. Его модели участвовали в трансферах и тактике эпохи, когда
  клуб выиграл Лигу чемпионов (2019) и Премьер-лигу (2020). В 2024 году
  Грэм выпустил книгу «How to Win the Premier League».
• Brentford и Midtjylland. Оба клуба купил Мэтью Бенхэм (Matthew
  Benham), основатель компании спортивной статистики и беттинг-аналитики
  Smartodds. Midtjylland выиграл чемпионат Дании в сезоне 2014/15,
  Brentford в 2021 году поднялся в Премьер-лигу. Обе истории — хрестоматия
  «клуб на аналитике».
• Brighton. Владелец Тони Блум (Tony Bloom) — основатель беттинг-
  консалтинга Starlizard. Клуб известен тем, что покупает игроков дёшево по
  данным и продаёт дорого.
• Поставщики данных. Opta (Stats Perform) продаёт данные лигам,
  медиа и букмекерам. StatsBomb (Hudl) работает с клубами и сборными и
  выкладывает часть данных бесплатно для исследователей. Wyscout (тоже
  Hudl) и InStat, компания российского происхождения, известны видеоскаутингом.
• Медиа и фанаты. BBC с 2017 года, официальный сайт Премьер-лиги,
  бесплатные Understat и FBref, приложения FotMob и Sofascore. Российские
  спортивные медиа тоже всё чаще приводят xG в статистике матчей, хотя
  охват лиг и поставщик данных везде разные.

Альтернативы и конкуренты

• Голы и разница мячей.
  Плюс: это реальность, их не нужно объяснять и никто не спорит о модели.
  Минус: очень шумно, по 5–10 матчам разница мячей больше говорит об удаче,
  чем о силе.
• Удары и удары в створ (в хоккее — Corsi и Fenwick).
  Плюс: просто, доступно для любой лиги, стабильнее голов.
  Минус: не различает удар с 30 метров и с 5, и команда, бьющая издали,
  выглядит опаснее, чем есть.
• Рейтинг Эло (метод Арпада Эло из шахмат, для футбола его, например,
  считает сайт ClubElo).
  Плюс: одно число на команду, учитывает силу соперников и длинную историю.
  Минус: питается только результатами, поэтому медленно реагирует и не
  видит, заслуженными ли были победы.
• Рыночная линия (вероятности, пересчитанные из коэффициентов).
  Плюс: агрегирует всё, что знают деньги: xG, травмы, составы, мотивацию.
  На дистанции её трудно обыграть.
  Минус: содержит маржу, не объясняет «почему», сдвигается от новостей и
  тоже ошибается в турах, полных апсетов (неожиданных результатов).

Когда НЕ стоит использовать

• По одному-трём матчам. Потому что шум здесь больше сигнала:
  стандартное отклонение голов в одном матче при 1,5 xG — больше гола.
  «Домашний xG 0,99 по трём играм» может не значить ничего.
• Как единственный предиктор исхода против рынка. Потому что рынок
  уже знает xG и вдобавок знает составы, травмы, дисквалификации и смену
  тренера. Голый xG — подмножество информации рынка, и обыгрывать им
  рынок — значит спорить с тем, у кого те же карты плюс ещё несколько.
• Для оценки вратарей и отдельных бьющих без PSxG. Потому что xG
  нарочно игнорирует, куда полетел мяч и кто бил. Элитный финишер или
  вратарь для модели — средний игрок, и их мастерство попадает в «шум».
  Сюда же относится период после смены тренера или половины состава:
  прошлые xG описывают другую команду.

Связанные понятия

• Логистическая регрессия — модель, превращающая набор признаков в
  вероятность через сигмоиду; классическая основа xG.
• Распределение Пуассона — закон для числа редких независимых событий
  за интервал; из λ = ожидаемых голов даёт вероятности счетов. Его
  футбольная доработка — модель Диксона–Коулза.
• Регрессия к среднему — экстремальные результаты на коротком отрезке
  при повторном измерении обычно ближе к среднему; отсюда «перебор по xG
  обычно не вечен».
• Brier score и калибровка — способ проверить вероятностный прогноз:
  среднеквадратичная ошибка между вероятностью и исходом (0 или 1).
• PSxG / xGOT — ожидаемые голы после удара с учётом траектории мяча;
  главный инструмент оценки вратарей.
• xT и VAEP — следующее поколение: оценивают вклад каждого действия
  (паса, дриблинга), а не только ударов. VAEP описан в статье
  исследователей KU Leuven 2019 года «Actions Speak Louder than Goals».

Литература и источники

• Две статьи 1997 года, с которых всё началось (en): Pollard R.,
  Reep C. «Measuring the effectiveness of playing strategies at soccer»
  (The Statistician) и Dixon M., Coles S. «Modelling Association Football
  Scores and Inefficiencies in the Football Betting Market» (Applied
  Statistics). Искать по названиям в Google Scholar.
• David Sumpter, «Soccermatics» (2016, en) — популярная книга
  математика из Уппсалы про модели в футболе, от пасов до ожидаемых голов.
• James Tippett, «The Expected Goals Philosophy» (2019, en) — короткая
  книга именно про xG: как считается, как читать, где ошибаются.
• Friends of Tracking — YouTube-канал футбольных аналитиков
  (появился в 2020-м), есть пошаговые лекции «How to build your own xG
  model» на Python. Искать по названию канала.
• StatsBomb Open Data — бесплатные событийные данные с xG каждого
  удара для самостоятельных экспериментов:
  https://github.com/statsbomb/open-data
• Wikipedia (en), «Expected goals» — краткая справка и ссылки:
  https://en.wikipedia.org/wiki/Expected_goals

Где встретилось у меня

Вчера в личном проекте прогнозов на РПЛ «совет» из десяти ИИ-«линз» готовил
прогноз 8-го тура, и две из них строились на xG: пуассоновская модель из
xG/xGA и «регрессия к xG». По итогам трёх сверенных туров именно они
оказались худшими предикторами, хуже монетки, а рынок оставался впереди
всех. Отсюда и вопрос, что такое xG на самом деле и почему на семи турах
он проигрывает коэффициентам.

Краткое резюме

• xG — вероятность того, что удар станет голом, по модели, обученной на
  сотнях тысяч исторических ударов; сумма за матч измеряет качество
  моментов, а не результат.
• Метрика выросла из статьи Полларда и Рипа 1997 года, стала популярной
  после 2012-го и ушла в мейнстрим, когда в 2017-м её показала BBC.
• Из xG получают ожидаемые очки (симуляцией) и прогноз счёта
  (распределением Пуассона). В типичном матче даже самый вероятный точный
  счёт сбывается примерно в одном случае из восьми.
• Главная ловушка — малые выборки: на 5–10 матчах разброс голов вокруг xG
  огромный, а модель не знает ни мастерства бьющего, ни эффекта счёта.
• Идея шире футбола: отделять качество процесса от шумного результата
  полезно везде, от воронки продаж до разбора управленческих решений.