Propuesta de solución a la sobrevaloración o subvaluación de futbolistas profesionales mediante algoritmos de Machine Learning

Abstract

La presente investigación aborda la problemática de la sobrevaloración y subvaluación de futbolistas profesionales en el mercado de fichajes, utilizando algoritmos de aprendizaje supervisado de Machine Learning para estimar el valor de mercado de los jugadores. El objetivo principal del estudio es identificar un modelo que permita una valoración objetiva y precisa de los futbolistas, ayudando a los clubes a tomar decisiones fundamentadas en datos para evitar la especulación y distorsión de precios. La metodología empleada incluyó la recolección y procesamiento de datos de plataformas reconocidas como Transfermarkt y SoFIFA, que proporcionaron información detallada sobre las características y rendimiento de los futbolistas. A partir de estas fuentes, se generó un conjunto de datos con variables relevantes como la edad, peso, altura y demás características. Posteriormente, se aplicaron cinco modelos de predicción: K-Nearest Neighbors (KNN), árboles de decisión, Random Forest, Gradient Boosting y regresión lineal múltiple. Los resultados indicaron que el modelo de árboles de decisión optimizado fue el más eficaz, con un RMSE de 0.45, MAE de 0.14 y un coeficiente de determinación (R²) de 99.94%. Este modelo permitió identificar con precisión jugadores sobrevalorados como Aymeric Laporte y subvalorados como Jude Bellingham. La aplicación de este modelo a un caso práctico del Chelsea FC evidenció una sobrevaloración de 127.5 millones de euros en sus fichajes, subrayando la necesidad de una mayor regulación en el mercado para evitar inflación de precios. En conclusión, el uso de algoritmos de Machine Learning es una herramienta poderosa para estimar el valor de mercado de los futbolistas de manera objetiva y eficiente, promoviendo un entorno financiero más equilibrado y sostenible en la industria del fútbol.