足球 xG（預期進球）完整解讀：計算原理、數據解讀與實戰應用

1. 什麼是 xG — Expected Goals 的概念

xG，全稱 Expected Goals（預期進球），是現代足球數據分析中最重要的統計指標之一。簡單來說，xG 衡量的是每一次射門轉化為進球的概率，數值範圍從 0 到 1。一次 xG = 0.75 的射門機會代表，在歷史上類似條件的射門中，每 100 次會有 75 次進球。

xG 的概念在足球數據社群醞釀多年，但公認的系統化里程碑是 2012 年 Sam Green 在 OptaPro Analytics Forum 上的發表。Green 的研究首次將射門的空間與情境變數整合進一個統一的概率框架中，為後來商業化 xG 模型奠定了基礎。

此後，各大數據公司紛紛開發自己的 xG 模型。Opta（Stats Perform 旗下）、StatsBomb 和 Stats Perform 是目前最主流的三家供應商，它們的模型各有特色：Opta 的模型依賴海量歷史數據和傳統統計方法；StatsBomb 則以精細的「360 度凍結畫面」（freeze-frame）數據聞名，能捕捉射門瞬間場上所有球員的位置；Stats Perform 的模型則強調深度學習與即時數據整合。

一場比賽中，一支球隊所有射門的 xG 加總就是該隊該場比賽的總 xG。例如，利物浦某場比賽 15 次射門，各自的 xG 為 0.08、0.35、0.12、0.72……加總為 2.45 xG，代表根據射門品質，這些機會在統計上「預期」能轉化為大約 2.45 個進球。

xG 的核心價值在於：它剝離了運氣和射手個人能力的影響，專注於射門機會本身的品質。這讓我們能更客觀地評估一支球隊的攻防表現，而不是只看最終比分。

2. xG 怎麼計算 — 20+ 變數完整解釋

xG 模型的核心是一個分類問題：給定一次射門的所有條件，預測它進球的概率。現代 xG 模型通常使用 logistic regression（邏輯回歸）或 neural network（神經網路）進行建模，訓練數據來自近 100 萬次甚至更多的歷史射門記錄。

以下是影響 xG 計算的主要變數，按重要性排列：

核心空間變數

• 射門距離（Distance to Goal）：射門位置到球門中心的距離。距離越近，xG 越高。禁區內中央位置的射門 xG 通常在 0.15–0.40 之間，而 25 碼外的遠射 xG 可能只有 0.02–0.05。
• 射門角度（Angle to Goal）：射門位置與兩根門柱形成的角度。角度越大，可射入的球門面積越大，xG 越高。小角度側面射門（如底線附近）的 xG 通常很低。

射門情境變數

• 身體部位（Body Part）：腳射、頭球還是其他部位。腳射的平均轉化率高於頭球，因為控制精度更好。頭球的 xG 通常會被下調。
• 防守壓力（Defensive Pressure）：射門瞬間，防守球員與射手之間的距離和數量。StatsBomb 的 freeze-frame 數據可以精確量化這個變數。無人防守的空門機會 xG 接近 0.90，而在密集防守下的射門可能只有 0.03。
• 守門員位置（GK Position）：守門員相對於球門和射門路線的位置。守門員站位良好時會降低 xG，而守門員出擊失誤導致的空門則大幅提高 xG。
• 比賽狀態（Game State）：射門時球隊是領先、落後還是平手。研究顯示，領先的球隊射門品質可能下降（打反擊為主），而落後的球隊可能更積極進攻。
• 是否為反擊（Fast Break / Counter）：反擊中的射門通常 xG 較高，因為防守陣型未復位，空間更大。

傳球與前置動作變數

• 傳球類型（Assist Type）：直塞球（through ball）通常創造更高品質的射門機會；橫傳（cutback）讓射手面對球門，xG 偏高；角球和自由球的射門 xG 則因擁擠的禁區而偏低。
• 射門前觸球次數（Touches Before Shot）：一腳觸球直接射門（first-time finish）與多次觸球盤帶後射門的 xG 不同。一腳射門在某些情境下反而因防守來不及反應而 xG 較高。
• 傳球距離與方向：最後一腳傳球的距離和方向也會影響射門品質。

其他變數

• 射門前是否有盤帶突破
• 是否為定位球延伸的射門（角球二次進攻等）
• 比賽時間（下半場體能下降可能影響射門精度）
• 主客場因素
• 射門軌跡預期方向（部分進階模型）

Stats Perform 公開資料顯示，他們的 xG 模型訓練數據涵蓋超過 50 個聯賽的近 100 萬次歷史射門。模型在驗證集上的表現通常以 Brier Score 和 AUC-ROC 來衡量，頂級模型的 AUC-ROC 可達 0.78–0.82，代表預測能力遠優於隨機猜測。更多建模細節可參考 Stats Perform 的公開研究報告。

3. xG 能告訴我們什麼 — 過度表現與均值回歸

xG 最強大的應用是辨別球隊表現中的「真實實力」與「運氣成分」。核心邏輯很簡單：

經典案例：2015-16 Leicester City 奇蹟賽季

2015-16 賽季的 Leicester City（萊斯特城）以 5000 賠 1 的大冷門奪得英超冠軍，是足球史上最不可思議的成就。然而，xG 數據揭示了一個重要訊號：Leicester 整季的 xG 遠低於他們的實際進球數。Jamie Vardy 和 Riyad Mahrez 的射門轉化率大幅超出歷史平均值，團隊 xG 差值（Goals - xG）為正且幅度顯著。

這個訊號意味著什麼？均值回歸的力量很強大。果然在 2016-17 賽季，Leicester 的進球數大幅下滑，最終排名跌至第 12 名。他們的射門機會品質（xG）本就不支撐冠軍級別的進球產出，前一季的超常表現在統計層面上是不可持續的。

反例：2023-24 Brighton 的系統性優勢

並非所有 xG 偏離都會回歸。2023-24 賽季的 Brighton（布萊頓）在 Roberto De Zerbi 的戰術體系下，持續展現出 xG 超額表現。有趣的是，這種超額表現跨越了多個賽季，暗示這不是運氣，而是戰術系統帶來的結構性優勢——例如持續創造出模型未能完全捕捉的高品質射門位置，或者球員在特定戰術環境下射門品質的提升。

這個案例提醒我們：xG 是一個強大的工具，但解讀時必須結合戰術脈絡。持續且穩定的 xG 偏離可能代表真實的結構性因素，而非純粹運氣。

4. 各聯賽 xG 數據對比

不同聯賽因為戰術風格、節奏和防守強度的差異，呈現出截然不同的 xG 分布。以下是歐洲五大聯賽近期賽季的場均數據概覽：

從表格可以觀察到幾個重點：德甲場均 xG 最高（約 3.10），因為德甲球隊普遍採用高位壓迫和快速攻守轉換，留出大量射門空間。義甲場均 xG 最低（約 2.50），反映了義大利足球以戰術紀律和防守組織著稱的傳統。

西甲的負差異值（-0.13）特別值得注意。這代表西甲球隊的實際進球持續低於 xG，可能與西甲門將的整體水準和防守戰術有關。對於分析西甲比賽的玩家，這意味著大球可能較難出現。更多關於各聯賽賠率特徵的分析，請參考我們的 賠率分析指南：五大聯賽章節。

5. xG 在賠率分析中的應用

xG 不僅是球迷和媒體的談資，它在賠率分析和價值投注辨識中扮演關鍵角色。核心思路是利用 xG 差值（實際進球 vs xG）來發現市場定價偏差。

基本策略：xG 差值找價值投注

當一支球隊的 xG 持續高於實際進球，但盤口尚未反映這個事實時，就存在潛在的價值投注機會。邏輯如下：

• 球隊 A 近 10 場平均 xG 為 2.1，但實際平均進球只有 1.3。
• 莊家根據近期比分（1.3 場均進球）設定盤口，賠率反映的是較低的進攻期望。
• 然而 xG 數據顯示，球隊 A 的射門品質支撐 2.1 場均進球。隨著均值回歸，進球數很可能上升。
• 此時投注球隊 A 的「大球」或「勝」可能具有正期望值。

進階原則：趨勢比單場更重要

單場比賽的 xG 波動極大——一次點球就是 0.76 xG。因此，在賠率分析中應該使用 rolling average（滾動平均），通常取近 5–10 場的 xG 均值：

進階玩家會同時觀察攻擊端 xG（xGF）和防守端 xG（xGA），兩者的差值（xGF - xGA）能更全面地反映球隊的攻防平衡。一支 xGF 高但 xGA 也高的球隊，大球可能更有價值；而 xGF 高、xGA 低的球隊，則在讓分盤上更有吸引力。

xG 與盤口定價的時間差

這是最關鍵的概念：莊家的盤口更新存在時間差。雖然頂級莊家已經在模型中納入 xG 數據，但中小型莊家和部分亞洲盤口可能反應較慢。特別是在以下場景中，xG 能提供「市場尚未定價」的資訊優勢：

• 新教練上任初期（戰術改變導致 xG 結構性變化，但盤口仍基於舊數據）
• 關鍵球員復出或受傷（個體對團隊 xG 的邊際影響尚未被盤口完全消化）
• 賽程密集期（體能下降對 xG 的影響經常被低估）

6. xG 的局限性

xG 是一個強大但不完美的工具。理解它的局限性和你的數據一樣重要，否則很容易掉入「數據迷信」的陷阱。

① 不考慮射手個人能力

標準 xG 模型計算的是「某個位置上的平均射手」射進這球的概率。但 Mohamed Salah 在禁區左側的切入射門和一個普通射手在同一位置的射門，xG 值是相同的。實際上 Salah 這類頂尖射手長期轉化率高於模型預期，這就是為什麼有些數據公司開發了 xGOT（Expected Goals on Target，命中目標預期進球）等進階指標來補充。

② 不捕捉比賽戰術脈絡

xG 只看射門瞬間的快照，不考慮比賽更宏觀的戰術脈絡。例如，一支球隊故意放棄控球、壓縮防守空間、利用反擊製造高品質機會，他們的 xG 可能不高（射門次數少），但每次射門的效率可能非常高。反之，控球率 70% 的球隊可能累積大量低品質射門，xG 看起來很高但實際威脅有限。

③ 樣本量需求

這是最常被忽略的問題。單場比賽的 xG 波動非常大，具有極高的變異性。一支球隊一場比賽的 xG 可能是 0.8 也可能是 3.5，這不代表他們的攻擊力在兩場之間發生了本質變化。

經驗法則：至少需要 10 場以上的樣本，xG 數據才開始具有穩定的參考價值。20 場以上更理想。這意味著在賽季初期（前 5-6 輪），xG 數據的參考權重應該顯著降低。

④ 各家模型結果不同

不同數據供應商的 xG 模型使用不同的變數、訓練數據和演算法，結果可能存在顯著差異。同一場比賽：

• Opta xG：偏向保守，因為模型相對簡單，變數較少
• StatsBomb xG：通常更極端（高的更高、低的更低），因為納入了 freeze-frame 防守數據
• FBref xG：基於 StatsBomb 數據，但可能有不同的後處理方式

建議：選擇一個數據源並保持一致，不要混用不同供應商的 xG 數據進行比較。

7. 哪裡可以查 xG 數據（免費資源）

好消息是，優質的 xG 數據不需要付費訂閱就能取得。以下是最推薦的免費 xG 資源：

建議初學者從 FBref 開始，因為數據品質最高（基於 StatsBomb），且能下載完整的賽季數據。Understat 則適合快速查看單場 xG 分布和射門地圖。FBref 的 xG 模型解釋頁面也值得仔細閱讀，能幫你更深入理解模型背後的方法論。

8. AI 如何整合 xG 進預測模型

xG 作為單一指標雖然強大，但真正的預測力來自於將 xG 與其他信號進行融合分析。這正是 OddsForge 的核心方法論——多信號融合（Multi-Signal Fusion）。

xG 在多信號模型中的角色

在 OddsForge 的 AI 引擎中，xG 趨勢是核心信號之一，但它不是唯一信號。我們的預測模型整合以下數據維度：

• xG 趨勢：5 場和 10 場滾動平均的 xGF 和 xGA，以及它們的變化趨勢（上升、穩定、下降）
• 莊家賠率隱含概率：從 24 家莊家的開盤和即時賠率中提取市場共識概率，去除 margin 後得到公平賠率
• 排名動態：Elo 評分系統或聯賽排名的近期變化趨勢
• 交手記錄：近 5 次對戰的結果、進球分布和 xG 表現
• 情境因素：主客場、賽程密度、關鍵球員傷停等

為什麼融合優於單一指標？

單獨使用 xG 的預測準確率大約在 52–55% 之間（對比隨機的 33% 三路猜測）。但當 xG 趨勢與莊家賠率共識出現分歧時——例如 xG 數據顯示球隊 A 攻擊力明顯上升，但賠率尚未調整——這個分歧本身就是一個具有預測力的信號。

AI 模型的優勢在於能同時處理數十個這樣的信號，量化它們的交互效應，並在毫秒內完成複雜的概率計算——這是人類分析師無法手動完成的。

常見問題（FAQ）