超越胜负：相对于预期的胜负分差解锁精确的技能评级

在任何竞争系统中，了解准确的相对技能都是至关重要的，但诸如 ELO 等基础方法仅专注于二元结果，从而舍弃了极其相关的性能数据。尽管存在胜负分差 (MOV) 扩展，但它们通常缺乏整合此类信息的明确方法。我们引入胜负分差微分分析 (Margin of Victory Differential Analysis, MOVDA)，这是一个通过利用真实 MOV 与 $\textit{建模期望}$ 之间的偏差来增强传统评级系统的框架。MOVDA 学习一个特定领域的非线性函数（一个能够捕捉饱和效应和主场优势的缩放双曲正切函数），以基于评级差异预测期望 MOV。至关重要的是，真实与预期 MOV 之间的 $\textit{差异}$ 为评级更新提供了一个细微且有加权的信号，突出了各级别比赛中包含信息的偏差。在职业 NBA 篮球数据（2013 年至 2023 年，共 13,619 场比赛）上的广泛实验表明，MOVDA 显著优于标准 ELO 和贝叶斯基线。与 TrueSkill 相比，MOVDA 将 Brier 分数预测误差降低了 $1.54\%$，将结果准确率提高了 $0.58\%$，最重要的是将评级收敛速度提高了 $13.5\%$，同时保持了原始 ELO 更新的计算效率。MOVDA 提供了一种理论上有动机、经验上优越且计算上精简的方法，用于将性能幅度整合到 NBA 等竞争环境下的技能评级中。