Data Science
Como Usar Python para Análise de Odds
Scripts Python prontos para coletar, armazenar e analisar odds de múltiplas casas e identificar value bets automaticamente.
CrazyStack
15 min de leitura
compartilhar
Python
Carregando
Scripts Python prontos para coletar, armazenar e analisar odds de múltiplas casas e identificar value bets automaticamente.
Construa um modelo de ML para prever resultados de futebol com código completo e backtesting real.
Entenda como bots de apostas funcionam e como construir o seu com Python.
Como Usar Python para Análise de Odds. Scripts Python prontos para coletar, armazenar e analisar odds de múltiplas casas e identificar value bets automaticamente.
Galera, vou ser direto: a maioria das pessoas que aposta perde dinheiro porque não entende o conceito de valor esperado. Elas olham pra uma odd de 2.00 e pensam 'puxa, se eu acertar, dobro'. O problema é que essa odd de 2.00 implica 50% de probabilidade de ocorrência. Se a probabilidade real do evento for 45%, você está apostando em algo com valor esperado negativo — e vai perder dinheiro no longo prazo, garantido.
Um value bet é o oposto disso. É quando a odd oferecida implica uma probabilidade menor do que a probabilidade real do evento. Sabe aquele jogo onde o time mandante, campeão e favorito está com odd 1.70, mas você analisa os dados e percebe que a probabilidade real de vitória é 65% e não os 58.8% que a odd sugere? Aí você tem um value bet. Matematicamente: se P_real maior que 1 dividido pela odd, você tem valor.
O grande problema: encontrar esses value bets manualmente é impossível em escala. Com centenas de jogos por semana em dezenas de competições, você precisa de código. É exatamente aqui que Python entra — e entra muito bem.
Vale lembrar que nenhum sistema é infalível. Mesmo com value bets genuínos, a variância é grande no curto prazo. O edge matemático só se manifesta com volume. Isso significa centenas ou milhares de apostas para convergir pra expectativa teórica. Quem faz 20 apostas e desiste porque perdeu está apenas experimentando ruído estatístico.
Antes de escrever uma linha de código, você precisa de dados. Olha só as opções que existem no mercado hoje — algumas gratuitas, outras pagas, mas todas com documentação decente.
A mais popular pra quem está começando. O plano gratuito oferece 500 requisições por mês, o que dá pra validar um projeto inteiro antes de gastar um centavo. Ela agrega odds de mais de 40 casas de apostas em tempo real — Bet365, Pinnacle, Betfair e muito mais — em um endpoint REST simples. A resposta JSON já vem normalizada com o nome dos times e as odds em formato decimal, o que facilita muito o processamento.
O plano pago começa em torno de $9/mês e remove praticamente todas as limitações de requisições. Pra quem quer rodar um script de monitoramento a cada 5 minutos cobrindo múltiplas ligas, esse é o caminho. Você encontra a documentação completa em the-odds-api.com e o onboarding é questão de minutos.
A Betfair é diferente das casas de apostas tradicionais. É uma exchange — você aposta contra outros apostadores, não contra a casa. A API deles é robusta, gratuita para usuários registrados, e te dá acesso a dados de mercado em tempo real incluindo volume negociado, odds disponíveis no lay e no back, e histórico de movimento de preços.
O ponto negativo: a curva de aprendizado é maior. A API da Betfair usa SOAP/XML em algumas partes e REST em outras. A autenticação é via certificado SSL. Mas se você quer dados de qualidade e volume real do mercado, não tem substituto. Muitos sistemas sérios de trading esportivo rodam em cima da Betfair.
Sportradar e Stats Perform são as referências em dados esportivos para estatísticas profundas — times, jogadores, condições de jogo. Caras, mas completas. Já a RapidAPI tem vários endpoints de odds de fornecedores menores com planos gratuitos generosos. Para futebol brasileiro especificamente, a API-Football no RapidAPI tem cobertura decente do Brasileirão e Copa do Brasil, ótimo para quem quer focar no mercado local.
Chega de teoria. Vamos ao código. O objetivo aqui é criar um script que consulta a The Odds API a cada N minutos, salva os dados e já faz a análise de value bet on-the-fly.
Dá pra rodar tudo isso com bibliotecas padrão do ecossistema de data science Python. Você vai precisar de: requests para as chamadas HTTP, pandas para manipulação dos dados, sqlite3 que já vem com Python para armazenamento local, e schedule para rodar o script em intervalos regulares. Instala com: pip install requests pandas schedule. Isso é tudo.
A The Odds API tem dois endpoints principais: /sports para listar as ligas disponíveis e /sports/{sport_key}/odds para pegar as odds de um esporte específico. O parâmetro regions define quais casas incluir — recomendo eu para ter acesso à Pinnacle — e markets define qual mercado você quer. Comece com h2h, que é head-to-head, o resultado do jogo.
Com dados históricos no banco, as análises ficam interessantes. Uma das mais úteis é rastrear o movimento de odds — quando uma odd cai de 2.50 para 2.20 em poucas horas, isso geralmente significa que dinheiro pesado entrou nesse lado. O mercado se move por razões, e entender esse movimento é uma fonte de informação por si só.
Dá pra fazer isso com Pandas em poucas linhas. Você carrega os dados do SQLite, agrupa por game_id e bookmaker, e calcula a variação percentual das odds ao longo do tempo. Um movimento de mais de 10% numa odd de home team em menos de 2 horas é um sinal para investigar. Muitas vezes é notícia de lesão de titular ou mudança de escalação que não está no radar público ainda.
Outra análise poderosa: comparar a margem de diferentes casas ao longo do tempo. A Pinnacle é conhecida por ter as menores margens do mercado — algo em torno de 2-3% contra os 8-12% de casas como Bet365 ou Betano. Isso significa que as odds da Pinnacle são consideradas as mais próximas da probabilidade justa pelo mercado. Você pode usar as odds da Pinnacle como referência e identificar quando outras casas estão oferecendo algo acima dessa referência — exatamente o que o código acima faz com o parâmetro ref_bookmaker.
O conceito de closing line value é central aqui. Se a odd que você apostou foi de 2.10 e a odd de fechamento — antes do jogo começar — foi de 1.85, você bateu a linha de fechamento. Isso é sinal de que sua aposta tinha valor real no momento da entrada. Apostadores lucrativos batem a closing line consistentemente, independente dos resultados de curto prazo. Com o banco histórico, você consegue calcular seu CLV médio e usar isso como métrica de qualidade das suas análises.
Olha só o nível que dá pra chegar: com os dados coletados e um modelo de probabilidade próprio — seja um modelo de ML treinado ou uma estimativa baseada em ratings ELO — você pode criar um sistema de alertas que dispara quando encontra uma discrepância significativa entre sua probabilidade estimada e a implícita nas odds. O artigo sobre machine learning para previsão de futebol em /2026/machine-learning-previsao-futebol mostra como construir esse modelo.
A implementação mais simples usa webhook do Telegram. O BotFather cria um bot em 2 minutos, você pega o token e o chat_id, e daí em diante é uma requisição POST simples. O código acima já tem a função notify_telegram implementada. Dá pra mandar uma mensagem formatada com o nome do jogo, a odd disponível, a casa que está oferecendo, e o edge calculado em relação à Pinnacle.
Um threshold razoável pra começar: só alertar quando o edge calculado for acima de 3% em relação à Pinnacle. Abaixo disso, a incerteza do modelo e as variações normais de mercado provavelmente tornam o sinal irrelevante. Conforme você coleta dados e valida os alertas — verificando se as odds que apareceram como value realmente fecharam mais baixas — pode ajustar esse threshold.
O sistema completo de alertas fica com mais ou menos 50 linhas extras no script que já criamos. A lógica é: buscar odds a cada 5 minutos, comparar com a Pinnacle, filtrar os edges acima do threshold, e disparar o alerta via Telegram. Tudo isso rodando num VPS de $5/mês na DigitalOcean ou Hetzner com um simples script de systemd para manter o processo vivo. Custo total de infraestrutura: ridículo. Informação disponível: enorme.
Preciso ser honesto aqui. Esse artigo é sobre tecnologia — Python, APIs, análise de dados. O conhecimento técnico é real e aplicável a muitos outros contextos além de apostas esportivas. Ciência de dados com dados esportivos é uma área rica, usada por clubes profissionais, departamentos de análise de performance e jornalistas especializados.
Sobre apostas esportivas especificamente: a grande maioria das pessoas perde dinheiro, mesmo com sistemas sofisticados. Casas de apostas limitam ou fecham contas de apostadores lucrativos. Isso não é teoria — é prática comum e documentada. Se você começar a mostrar CLV positivo consistente, vai receber um e-mail informando que sua conta está com stake máximo reduzido. A Pinnacle é uma das poucas que aceita apostadores sharp, mas mesmo lá os limites caem quando você começa a ganhar. Um artigo com perspectiva interessante sobre dinâmica de mercado de apostas está em /2025/i-found-a-way-to-beat-sportsbo.
Do ponto de vista legal no Brasil, a Lei 14.790/2023 regulamentou as apostas esportivas. Apostas online são legais para pessoas físicas nas plataformas autorizadas pelo Ministério da Fazenda. Use apenas plataformas com licença — e verifique a lista atualizada no site do governo antes de se cadastrar em qualquer casa.
Se você vai usar esse conhecimento em apostas reais, faça com responsabilidade: defina um bankroll fixo que pode perder sem impacto na sua vida financeira, use critérios objetivos de tamanho de aposta como o Kelly Criterion, mantenha registros detalhados de tudo, e revise periodicamente se o sistema ainda faz sentido. Apostas com dinheiro que você não pode perder é o caminho mais curto pra um problema sério. O código aqui serve pra aprender data science e automação — habilidades valiosas independentemente de qualquer outra aplicação.
SQLite é suficiente pra começar. Simples assim. Você não precisa de PostgreSQL ou Redis pra um projeto pessoal de análise — SQLite aguenta bem até alguns gigabytes de dados históricos e roda sem nenhuma infraestrutura extra. Quando o volume crescer, migrar para PostgreSQL é questão de trocar duas linhas de código com SQLAlchemy. O schema que o pandas cria automaticamente com to_sql funciona bem no início, mas em produção crie índices manualmente em game_id e no composto de game_id, bookmaker e collected_at — isso faz diferença enorme nas consultas analíticas quando você tem meses de histórico.