Мои выводы об использовании машинного обучения для ставок на спорт: всегда ли выигрывают букмекеры?

Мои выводы об использовании машинного обучения для ставок на спорт: всегда ли выигрывают букмекеры?

Наивная идея, ориентированная на деньги?

Однажды днем, посреди отпуска, мне пришла в голову мысль использовать машинное обучение для предсказания футбольных результатов в премьер-лигах. Сам я никогда не делал ставок на спорт, потому что не люблю распоряжаться деньгами, я так зарабатываю. Тем не менее, я поддержал эту идею. Я подумал, что если я смогу разработать алгоритм, обеспечивающий точность более 60%, я смогу распределить риск и делать ставки на несколько матчей, получая таким образом постоянный доход.

Я подумал следующее: если я начну со 100 долларов и поставлю по 10 долларов в 10 разных матчах, есть вероятность, что я смогу выиграть около 5 из 10 матчей. Я думал, что если у меня будет надежный алгоритм, я смогу разбогатеть. Вот важная часть, я никогда в жизни не делал ставки, и я не знаю тонкостей и тонкостей индустрии ставок. Я знал, что должен провести исследование, чтобы лучше понять, чего мне не хватает.

Я знал, что что-то упускаю; Я не мог быть первым, кто подумал об этом, это никогда не бывает так просто. Я провел небольшое исследование, чтобы лучше понять, что я мог найти по этой теме. Результаты были очень интересными, поскольку я обнаружил, как все работает на самом деле.

Во-первых, я нашел пару журнальных статей, которые позволили мне составить небольшой обзор литературы в этой области. И да, судя по всему, это целая область исследований, в которой профессионалы в области искусственного интеллекта посвящают свое время и силы совершенствованию своих моделей машинного обучения (ML). Согласно Банкеру и др. (2019) Хотя в нескольких исследованиях рассматривалось статистическое спортивное прогнозирование, использование парадигмы нейронных сетей является более поздним подходом.

В своем исследовании я нашел процент точности различных алгоритмов для разных видов спорта

Пурукер (1996) достиг 61% точности прогнозирования результатов в Национальной футбольной лиге (НФЛ) с использованием модели нейронной сети.

Кан (2003) расширил работу Пурукера (1996), добившись 75% точности в матчах 14-й и 15-й недель НФЛ. Для этого были собраны данные о 208 матчах сезона 2003 года.

Маккейб и Треватан (2008) изучали спортивные прогнозы в четырех различных видах спорта, а именно: НФЛ (лига регби), АФЛ (футбол по австралийским правилам), суперрегби (союз регби) и футбол английской премьер-лиги (АПЛ), используя данные за прошлый год. 2002. Средняя производительность алгоритма NN составила 67,5%.

Davoodi and Khanteymoori (2010) попытались предсказать результаты скачек, используя данные 100 гонок на ипподроме Aqueduct Race Track, проходившем в Нью-Йорке в январе 2010 года. он достиг точности 77%.

Tax and Joustra (2015) использовали данные голландских футбольных соревнований для прогнозирования результатов будущих матчей. В этом случае авторы также рассматривали коэффициенты ставок как переменные для своих моделей машинного обучения. В то время как их модели достигли точности 54,7%, модель, которая использовала только коэффициенты ставок, достигла точности 55,3%. Этот факт заставил меня кое-что осознать. Букмекерские конторы имеют собственную команду по анализу данных. Если шансы на победу команды равны 10/1, то, вероятно, эта команда проиграет.

Узнав, что точность алгоритмов в предыдущих исследованиях составляет от 50 до 70% (в зависимости от вида спорта), я все еще думал, что это было бы осуществимо, если бы шансы на матчи были бы как минимум 2/1.

Выясняем, почему с этим еще никто не стал миллионером

Прежде чем я напишу первую строку кода, я решил выяснить, действительно ли это возможно. В какой-то момент я подумал, что, может быть, использование собственных алгоритмов не законно, на что простой поиск в Google ответил, что это разрешено. Затем я подумал о букмекерских конторах и о том, как они регулируют или ограничивают сумму, которую вы можете поставить. Я нашел диссертацию под названием

«Обыграть букмекеров с их же номерами — и как фальсифицируется рынок онлайн-ставок на спорт в 2017 году».

На этой диссертации мои исследования остановились. В этой статье объясняется, как авторы пытались использовать свой алгоритм для монетизации, и обнаружили два основных препятствия. Первый:

Букмекеры используют собственные алгоритмы машинного обучения для расчета коэффициентов на матч.


Поэтому, поскольку ваша модель машинного обучения указывает вам на более определенные результаты, вы всегда можете получить небольшую выгоду. Второе, и даже более важное:

Букмекеры дискриминируют успешных клиентов

Следовательно, когда вы начнете часто выигрывать, букмекеры начнут вас дискриминировать и ограничивать сумму денег, которую вы можете поставить.

Помимо этих двух барьеров, в газете, которую я нашел, объяснялось, что за 5 месяцев они заработали 2086 долларов на 672 ставках с доходностью 6,2%. Это хорошо (это не так уж хорошо для тех усилий, которые вы должны приложить), но это тяжелая работа. Вы должны посвятить много времени и усилий, чтобы сделать много ставок и выдержать отметку букмекеров.

Я пришел к выводу, что разработка моделей машинного обучения для ставок на спорт хороша только для практики и улучшения ваших навыков работы с данными. Вы можете загрузить созданный вами код на GitHub и улучшить свое портфолио. Тем не менее, я не думаю, что это то, чем вы могли бы заниматься в рамках своего образа жизни в долгосрочной перспективе. Потому что в итоге букмекеры никогда не проигрывают. В конечном итоге я не написал ни строчки кода в этом проекте. Я надеюсь, что мой литературный обзор поможет проиллюстрировать другие.

admin

Related Posts

Вакансии в области спортивной аналитики: что нужно, чтобы быть конкурентоспособным на рынке труда?

Вакансии в области спортивной аналитики: что нужно, чтобы быть конкурентоспособным на рынке труда?

Биржи ставок: одноранговые ставки

Биржи ставок: одноранговые ставки

Лучшие советы по успешному размещению ставок на спред

Лучшие советы по успешному размещению ставок на спред

No Comment

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *