Как найти исход матча

Битва против букмекера не всегда ограничивается вопросом как
сорвать куш побольше. Постановка точных прогнозов – процесс сложный, и угадать результат
в букмекерской конторе по исходу матча является тяжелым аналитическим трудом,
который складывается из множества элементов. Сегодня разберемся, как же
прогнозировать итоги событий, а также обратим внимание на нюансы, влияющие на
заключение правильного и точного пари.

Стратегии игры

Букмекерская контора всячески препятствует тому, чтобы игроки оказывались в большом плюсе, благодаря чему появилось понятие маржи – комиссионного сбора, который гарантированно обеспечит букмекеру прибыль. Однако не только это помогает компаниям развиваться и наращивать свой заработок – существуют и другие инструменты, большинству бетторов до сих пор неизвестны. Обыграть БК крайне тяжело, а угадать результат – одно из составляющих заданий. Поэтому в бой идёт инструментарий, способный приблизительно рассчитать тот или иной исход. На это у большинства бетторов существуют разнообразные стратегии, которые и стоит обговорить детально.

Для начала определим, что ни одна из представленных стратегий не даст капперу стопроцентного результата в виде обеспечения прибыли. Важную роль будет играть также и психология игрока, и его реакция на движение коэффициентов, а также манименеджмент – распределение игрового банка по определенным пропорциям. Но если надо максимально точно угадать результат в букмекерской конторе, то посмотрим на следующие стратегии:

1. Догон.
2. Удар по фавориту.
3. Отслеживание прогрузов.
4. Математическая аналитика.

Начнем с догона. Так называется игровая модель, при которой беттор во время поражения удваивает ставку и делает прогноз на увеличенную сумму с коэффициентом выше двойки. Последнее условие обязательно – в противном случае, никакой прибыли не будет. По сути, игра идет до победного – как только увеличенная ставка сыграла, а ее котировка будет больше двух, то это будет автоматически означать, что каппер достиг прибыли, хоть и минимальной. Цикл после победы необходимо будет начать со снижения ставки до ранее установленного стартового номинала, и после каждой победы необходимо возвращаться именно к нему. Очевидно, что бить по непонятным цифрам не стоит – анализировать ставки обязательно.

Удар по фавориту, она же ставка на аутсайдера – очень простая стратегия, суть которой заключается в постоянной ставке на аутсайдера. Обычно, берется команда, которая в чемпионате идет на последнем месте (или зона вылета), и в этом случае необходимо ставить на ее победу. Фишка в том, что коэффициенты на такой исход, как правило, будут находиться в районе от 3,5 до 15 или даже выше, и это говорит об отсутствии необходимости регулярно увеличивать номинал прогноза. Игра будет тоже вестись до победы, после чего сумма для пари должна быть вновь снижена до начального размера.

Отслеживание
прогрузов – вещь крайне интересная, но не всегда благодарная. Есть
специальные ресурсы в интернете – например, OddsPortal – на котором отслеживаются падения коэффициентов на
разные исходы. Если видно, что в определенный момент котировка просела
достаточно сильно – это будет значить, что несколько игроков в мире поставили
большие суммы на этот исход. Иначе говоря, так обнаруживаются либо договорные
матчи, либо пресловутые инсайды. Часто катаются обратные матчи – то есть,
информация о прибыльном исходе уходит в массы, после чего игроки делают исход
минусовым, работая на букмекера. Поэтому при использовании этой стратегии
необходимо быть крайне осторожными.

Существует также немало и других интересных методик, однако
они не смогут в точности помочь найти ответ на вопрос, как угадать результат в
букмекерской конторе. Поэтому лучше разберем, что такое математическая аналитика.

Памятка игрока

Из названия такого подхода, как математическая аналитика, понятно, что речь идет о тотальном разборе игр в цифрах. Сюда закладывается не только статистика ударов по воротам, попаданий в створ, индивидуальных ТТД игроков, но также и температурный режим, арбитраж, история очных встреч, и, конечно же, движение коэффициентов. Для идеального разбора игры необходимо досконально знать, что происходит с командами, в чем поможет видеопросмотр последних матчей. В идеале необходимо поставить себя на место главного тренера сразу двух команд – для подготовки к игре против конкретного соперника наставники постоянно просматривают минимум три последних матча полностью, чтобы понять игровые тенденции и отследить поведение игроков в разных ситуациях.

Полноценный разбор – это еще не ключ к успеху. Многое будет
зависеть также и от психологии игрока и его манеры игры. Например, если
посещает чувство уверенности в том, что вот этот конкретный исход обязательно
зайдет – не стоит доверяться такой интуиции и лучше последить за ситуацией,
проверить событие цифрами. Интуитивно можно попасть пальцем в небо и срубить
хороший кэш, вот только на дистанции такая модель поведения приведет к
разорению – проверено опытным путем и не одним беттором. Следовательно, не стоит
поддаваться собственным эмоциям, поскольку они могут обмануть, а цифры – в
редких исключениях.

Что касается манеры игры, то тут речь идет о беттинг-режиме
– ставках в прематче или лайве. На самом деле, хорош и тот, и другой режим –
прематч отличен тем, что при знании всей ситуации и правильном цифровом разборе
исход для ставки будет лежать на поверхности. Но в лайве могут происходить
разные вещи – удаления, смена погодных условий, травмы и т.п. Такой риск
обязателен для учета, но в прематче это сделать невозможно, потому есть резон
подождать начала игры, отсмотреть, как себя ведут команды, после чего либо
подтвердить свою ставку на ранее намеченный исход, либо же внести определенные
коррективы в свою игру.

В целом, полагаться на цифры и сравнивать свой анализ с
коэффициентами, расставленными букмекером – это один из наиболее эффективных
способов понимания, на что именно делать свою ставку. Невозможно понять
стопроцентно, как угадать ставку в букмекерской конторе, но перечисленные выше
вещи явно приведут к увеличению вероятности победы. Кстати, использование
математических стратегий а-ля догон – это тоже действенный способ игры в плюс
на дистанции, но здесь еще будет немаловажно верно распределить банк – конечно,
при строгой аналитике долгая минусовая серия почти исключается, однако в
ставках может случиться все, что угодно.

Резюме

Если использовать вышеизложенные мысли, то это еще не будет гарантом обеспечения прибыли на все время беттинга. Умение анализировать и сопоставлять факты – вещь тонкая, и она не дается каждому игроку: иначе все букмекерские конторы остались бы давно разоренными и прекратили свое существование. Тем не менее, чем быстрее научится пользоваться таким важным инструментом для беттора, тем более высоким будет процент попадания в правильный исход. Угадывать ставку в букмекерской конторе на уровне инстинктов и интуиции – дело пустое, поэтому, анализируем, сопоставляем и бьем точно в цель.

Интересно

Влияние вероятности в баскетболе: как определять шансы на исход

Что означает двойной шанс (12) в ставках на футбол в букмекерских конторах

Ставки на спорт без первого депозита бесплатно: где получить фрибет и как использовать

Завтра финал Чемпионата мира по футболу. Самое время для рассказа о футбольных прогнозах.

Если ты интересуешься футболом и умеешь работать с данными, кажется, неизбежно в твоей жизни настанет момент, когда тебе захочется предсказывать результаты любимой команды, а лучше вообще все.

Такой день наступил и в моей жизни. И пусть я больше интересуюсь спортивным «Что? Где? Когда?», футбол — это классно. И это классно и с точки зрения прогнозов — и много данных, и много интересующихся, кому можно показать результаты. Давайте попробуем!

И раз за дело взялись зануды, будет много теорий, ещё больше таблиц и графиков.

Готовы? Вперёд!

Постановка задачи

Построить такую модель, которая на основании данных прошлых игр способна предсказывать результаты (победа-ничья-поражение) футбольных матчей. Ещё неплохо, если можно будет при получении новых данных (в футбол играют каждую неделю) оперативно обновлять прогноз. Чем предсказания точнее, тем лучше.

Как считать, какая модель хорошая, а какая — плохая?

Мы “скармливаем” модели большую часть исторических данных, но часть “оставляем себе”. Для модели — это будущее, которое нужно предсказать. Для нас — такое же прошлое. Появляется очень конкретный инструмент для сравнения: какая модель себя лучше покажет, та и молодец.

Далее в этом тексте мы говорим модели, что на дворе 1 октября 2022 года и просим предсказать результаты всего октября. Чемпионат мира мы не трогаем, а так, получается, самый свежий месяц клубного футбола.

Оценивать будем по трём метрикам.

Первая, очевидная, метрика — это точность прогноза (accuracy). Допустим, мы сделали прогноз на 100 матчей, в 80 наш прогноз сбылся, в 20 — нет. Это значит, что точность прогноза 80% (и это была бы очень крутая точность).

К сожалению, эта метрика не всегда показывает настоящую картину. Например, в игре Реала и Ман сити в этом году можно всегда “предсказывать» победу. Точность будет достаточно высокая (под 90%). Но никакой информации о том, когда и на ком гранды потеряют очки мы таким прогнозом не получим.

Этот недостаток устраняет продвинутая метрика под названием f1, на неё мы будет усиленно ориентироваться. Как она работает и почему, расскажу чуть ниже на примере.

Строгая формула под спойлером

А ещё хочется добавить деньги. Ни для кого не секрет, в футболе ставки на исход матчей популярны, так что умельцев (или «умельцев») предсказывать результаты игр достаточно. Неплохо иметь параметр, который позволит как и с ними сравнить. Мы будем использовать метрику ROI (Return Of Investment). Допустим, я поставил по рублю на 100 матчей. В 80 матчей я угадал со средним коэффициентом 1.8, а в 20 — не угадал. Тогда мой доход — это

80 (успешных прогнозов) * 1 (рубль) * 1.8 (коэффициент) + 20 (неуспешных прогнозов) * 1 (рубль) * 0 (я же не угадал) = 144 рубля,

а

ROI = (144 (рубля, доход) — 100 (рублей первоначальных вложений) ) / 100 (рублей первоначальных вложений) = 44%.

Это значит, что а) я “в плюсе”, т.е. заработал больше, чем вложил, б) заработал на 44% больше, чем вложил.

Далее по тексту будем брать ставки известой букмекерской конторы William Hill.

Что дальше?

Я буду последовательно усложнять модель и на каждом этапе смотреть, как она себя показывает по этим трём метрикам.

По идее, с каждым новым этапом должно становиться всё лучше и лучше, но, как вы увидите, в жизни не всё так гладко.

Где брать данные?

Футбол хорош ещё тем, что базовую информацию об истории футбольных матчей можно достать многими способами. Да хоть википедию парсить. Для меня важный фактор — иметь под рукой и историю, и свежие результаты плюс-минус оперативно.
Поэтому я остановился на вот этих людях. Всякие продвинутые вещи типа xG они не дают, но результаты матчей, статистику по игрокам дают и даже бесплатно. Денег хотят только за то, чтобы выдавать информацию быстрее, чем по умолчанию. Котики, нечего сказать.

Что будет в нашем распоржяении?
Данные о примерно 43 тысячах футбольных игр из топ-5 европейских лиг (Англия, Испания, Италия, Германия, Франция) высшего и первого дивизионов, а также еврокубки (Лига Чемпионов, Лига Европы и Лига Конфедераций) с 2012 года по сентябрь 2022.
С помощью этого добра попробуем предсказать результаты 1264 футбольных матчей октября.
Данные по ставкам за текущий сезон 2022/2023 брал вот с этого сайта.

Поехали!

Модель №0. Его Величество случай
Да-да, начинаем с генератора случайных чисел: просто в каждом матче случайно выдаём результат, победа, ничья или поражение. Считаем метрики и смотрим.
Здравый смысл подсказывает, что ничего хорошего из этого не выйдет. Кто-то может зло пошутить, что это будет совпадать со средним результатом “диванных экспертов”. Но я бы на другом заострил внимание. Этот прогноз — простой. Это всегда плюс. И этому прогнозу не требуются вообще никаких данных. Это значит, что любой прогноз на данных должен быть лучше, иначе все сложности просто не имеют смысла. Получается, это не просто нормальный прогноз, а лакмусовая бумажка, которая отделяет какую-то мысль от полностью бесполезного шума.
Итак, что же мы видим?

Точность 25%, т.е. угадали мы исход только четверти игр. Чуть-чуть не повезло. Метрика f1 на уровне 13% (пока просто запомним). Ну и по деньгам мы в большом минусе. Логично, букмекерам надо как-то зарабатывать.
В зависимости от лиги точность генератора случайных варьируется в диапазоне 21%-28%, а ROI можно увидеть в интервале от -37% до -43%. Если вы на своих ставках проигрываете больше — остановитесь.

Модель №1. Хозяева начинают и выигрывают
Ну что, пришло время включить наши данные. Кстати, как вообще они выглядят? Ну такая какая-то таблица

Их можно для начала немного покрутить. Наверное, у вас тоже давно мучают какие-то вопросы?
Например, какой самый популярный счёт?

1-1! Кто бы мог подумать? А вы на 0-0 ставили, небось, а он только на четвёртом месте.

Какая топ-лига самая забивная?

Бундеслига, почти 1.7 забитых за матч! И забивают и пропускают больше. Возможно, АПЛ — самая зрелищная потому, что там разрыв между забитыми и пропущенными небольшой?
Насколько важен фактор своего поля?

То есть 44% всех игр заканчиваются победой хозяев. С учётом того, что почти везде дома и на выезде играется одинаковое количество матчей, фактор своего поля — это что-то серьёзное. А давайт с него и начнём?

Нам надо бахнуть какую-то очень простую модель. Как насчёт модели «всегда предсказываем победу хозяев»? А почему бы и нет.

Посмотрели на данные, обобщили. Всё, теперь просто. Узнаем, кто играет «дома» — ему и победу вручаем.

Что из этого выйдет? Давайте посмотрим на обе модели рядом:

А это рабочая история! Результат лучше случайного на целых 12%! По деньгам, конечно, в минусе. Обращу внимание, что продвинутая метрика выросла не так сильно. Очевидно, этот прогноз немного «хитрый». И дальше его особо никуда не улучшишь.
Ну что, для начала неплохо. Двигаемся дальше.

Модель №2. ЭЛО-рейтинг команд
Рейтинг ЭЛО — достаточно популярная система расчёта рейтинга спортивных результатов. Её любят в шахматах, но и в футболе она активно применяется.

Суть её простая. Если ты играешь лучше, чем ожидалось, твой рейтинг растёт, если хуже — падает. И чем более неожиданный результат, тем масштабнее изменение твоего рейтинга. Например, если Реал проиграет Барселоне, то потеряет максимум 1-2 пункта. А вот если проиграет Мурсии, то расстанется с доброй двадцаткой баллов. Для того, что его рассчитать, нужны только результаты матчей. Отлично!

В такой модели важнее всего разность рейтингов. Чем она у команд больше, тем выше вероятность, что одна победит другую.

Но этот рейтинг и сам по себе интересен.

Вот топ-10 команд на данный момент (декабрь 2022):

У меня возражения вызывает только нахождение в топе ПСЖ. И даже понятно, почему так происходит: команда достаточно сильно выступает в своём чемпионате. И «Барсы» не хватает, но тут система рейтинга не при чём. Давайте посмотрим, что там у Барселоны и сравним её движение с набравшей хороший ход в этом сезоне «Наполи»

Разошлись буквально в начале текущего сезона.

Кстати, рейтинг, который я расчитал, не совсем “чистый”. В идеальном мире все команды должны начать играть в начале времён с одинаковым рейтингом. А там дальше, кто проиграет, кто выиграет, время всё расставит по местам. В реальной жизни у этого много минусов. Самый главный из которых в том, что рейтинг будет отражать реальную картину мира далеко не сразу.

Поэтому начальный рейтинг зависит от лиги, в которой начинает команда. Английская команда начинает с одного рейтинга, а французская — с рейтинга пониже. И команды низших дивизионов (Сегунда, Чемпионшип и т.п.) тоже получают “штраф” на старте. Чем лучше результаты страны в еврокубках, тем выше начальный рейтинг каждой команды. Команды низших лиг слабее старших ровно на 200 пунктов — примерно столько теряет за сезон аутсайдер высших лиг.

Вот так выглядит динамика рейтинга испанских команд в первом сезоне расчёта рейтинга:

Сначала между дивизионами пропасть. Но потом лучшие Сегунды и худшие Примеры начинают стремительно сближаться и к концу сезона они вполне органично меняются местами.

Выглядит логично.

Давайте теперь посмотрим, как этот рейтинг предсказывает будущее. Снова посмотрим на все модели вместе.

Стало лучше! Выросла и точность и «продвинутая метрика». Это значит, что у этой модели есть какое-то подобие прогнозной силы. И даже по деньгам вышли «в плюс». Безусловно, это не значит, что на этом можно зарабатывать какие-то деньги. Это просто инструмент сравнения с футбольными аналитиками.

Интересно, что лучше всего точность на низших дивизионах, а в высших по деньгам в минусе. Скорее всего это объясняется большей разницей в классе.

Вот такая диаграммка должна помочь понять, как работает прогноз.

Тут хорошо видно, что сложнее всего по текущей модели верно предсказывать ничьи. Надо подумать, что с этим делать.

Модель №3. Рейтинг ЭЛО как компонент более сложной модели

На самом деле, рейтинг ЭЛО — это тупиковый вариант.

По очень простой причине: его никак не получится органично улучшить. Добавить фактор своего поля, погоды или настроения капитана команды. Любые попытки это сделать на уровне формулы ЭЛО приводят к тому, что она разваливается.

Как же быть?

Ну вообще существует очень много алгоритмов, которые пытаются искать закономерности в данных. И умеют работать с разными параметрами.

Попробуем настроить известную модель под названием случайный лес (Random Forest). Она может принять десятки тысяч параметров, но мы ей дадим только прогноз на основе формулы ЭЛО (по сути, предыдущую модель). В идеальном мире, она должна выдать ровно такой же результат. Но на практике будет хорошо, если станет хотя бы не хуже.

Что же мы видим?

Точность выросла, по финансам тоже получше вышло. Но продвинутый показатель стал хуже. Кажется, мы снова начинаем хитрить? Увы, алгоритмы машинного обучения часто этим страдают. Ничего страшного, стало не так уж плохо. Зато у нас появилось пространство для улучшений.

Модель №4. Алгоритм, ЭЛО и простые параметры

Давайте попробуем добавить, кроме самого прогноза ЭЛО то, что просто получить и может быть важно с точки зрения результата.

После некоторого числа экспериментов я остановился на таких вещах:

• общее число побед,

• общее число поражений,

• фактор своего поля (дома или на выезде играем),

• в высшем дивизионе играет или нет

Что же выдал алгоритм в этот раз?

Стало, конечно, лучше. Но не такого мы ждали. Правда это «чуть-чуть» пришло равномерно по всем разрезам.

Ещё алгоритмы машинного обучения хороши тем, что они говорят, какой параметр модели какое влияние на итоговый результат оказал. На первом месте с большим отрывом идёт рейтинг.

Модель №5. Подбираем хорошие параметры алгоритма

В двух предыдущих моделях я взял хорошие данные, выбрал логичные признаки, взял нормальный алгоритм, но использовал “какие-то” параметры этого алгоритма. А Random forest вообще гибкая штука. Можно попытаться “выжать” из модели чуть больше, если попотеть.

Обычно это даёт 1-2% улучшений, но здорово грузит систему. Как будет в этот раз?

Совсем чуть-чуть потеряли по точности, зато f1 сейчас лучший, чем когда-либо был у нас. Просто замечательно.

Интересно, прогноз каких игр изменился?

Судя по всему, встреча противоположных тенденций и поведение на границе понятности.

Модель №6. Личные встречи

Попробуем обогатить данные какими-то нашими представлениями о спорте или футболе, которые помогут повысить точность прогноза.

Нанчём с гипотезы “неудобного противника”. Это когда есть какой-то гранд, который выигрывает всех, но есть у него один враг, с которым ему всегда традиционно сложно.

На языке чисел эта гипотеза звучит так: статистика личных встреч команд может дать больше информации, чем простой рейтинг.

Вот так выглядят таблицы личных встреч в топ-лигах:

Ну что, давайте добавим этот параметр в модель и посмотрим, что выйдет? Сначала посмотрим пару матчей:

Андалузское дерби — что-то печальное. Бетис сильнее с другими противниками, зато Севилья в 18 последних играх имеет результат +10 с принципиальным соперником. Ничего себе!

Ювентус растерял рейтинга, это понятно, но с Миланом долго ещё будет иметь комофртный плюс.

Кардиф — Форест — рекорд по разнице. Рейтинг уверенно ставит на англичан, а история личных встреч — на валлийцев.

А теперь всей выборке:

Точность стала хуже, зато бьём рекорды по продвинутой метрике. Это обнадёживает. Кстати, эта модель считает, что личные встречи даже важнее, чем рейтинг. Ну что же.

Самое главное, что «проблему ничьих» так и не решили

Модель №7. Статистика матча

Кроме самих результатов, можно попробовать использовать более подробную статистику, которую представляют почти во всех современных лигах: число ударов в створ, доля владения мячом, число фолов, офсайдов и т.д.

Идея хорошая. Чем больше данных — тем больше сигнала из них можно извлечь. В теории. К сожалению, эта же теория говорит, что если просто запихнуть в модель много-много чисел, они скорее дадут шум и модель переобучится — при формально росте показателей потеряет свою предсказательную способность.

Так что прежде чем грузить модель, посмотрим на данные. Как в топ лигах распределены значения ключевых показателей статистики?

И, самое главное, как они связаны между собой и числом забитых и пропущенных мячей?

Никак.

Зависимость называется «крайне редко голов больше, чем ударов по воротам». Всё.

Увы, все эти параметры — достаточно слабый сигнал.

Но есть более серьёзная проблема. В отличие от истории личных встреч или рейтинга, нам неизвестно ДО игры, сколько раз Бензема залезет в офсайд, а сколько — пробьёт в створ ворот.

Тем не менее попробуем обогатить модель этими данным. Вдруг полпроцента выжмем? Модели будем показывать среднее значение показателей за последние 8 матчей (достаточно, чтобы встреча с нетипичной командой не исказило статистику, но и сезон ждать изменения в стиле игры тоже не нужно).

Что же получилось?

Стало хуже. Модель начала искать закономрености там, где их нет, переобучилась и на неизвестных себе данныхз дала худшие прогнозы. Так бывает. Отбрасываем, двигаемся дальше.

Модель №9. Персональные показатели

Кроме командной статистики есть ещё и индивидуальная. Её много, разной, вполне себе можно достать. Но надо как-то понять, как свести её в формат, который будет не так шуметь.

И тут можно использовать футбольных экспертов. Они выставляют игрокам оценки после игры на основе ТТД игроков. Кажется, именно эта оценка — отличное обобщение, которое нам ценнее, чем показатели сами по себе.

Снова посмотрим, как выглядит распредление оценок и как оно связано с результатом игры?

Вот такие оценки ставят. Чем выше столбик, тем чаще оценка встречается. Можно обобщить, что те игроки, которым матч «зашёл» получают что-то около 6,5, а тем, кто «не зашёл» — около 4,6.

И, похоже, результат команды влияет на оценки специалистов. Или наоборот? Хорошие оценки приводят к хорошим результатам?

Короче, норм тема, надо пробовать. Логика та же — подаём модели среднее значение за 8 последних игр.
Что же выйдет?

Это лучше статистики матча. Но всё равно хуже, чем без новой информации. Грустно. Ничьи, правда, чуть лучше описывает. Не очень понятно почему. Держим в уме, но двигаемся дальше.

Модель №10. Ожидаемое поведение по статистике

Давайте пробовать бить по слабой точки прогноза: модели очень сложно разобраться с ничьей.

Попробуем такую гипотезу.

Представим себе, что матч закончился 0-0. Но одна команда много держала мяч, создавала моменты, била по воротам. Другая — пыталась отбиться. Результат — счёт на табло, вопросов нет. Но скажите мне: какова вероятность, что эти команды наберут очки в следующем матче? Кажется, что та команда, которая много и хорошо играла, но «недодавила» в этом матче, вполне может додавить в следующем.

Можно было бы просто добавить xG в модель. Но нормальные данные по этой характеристике получить на данный момент сложно. Поэтому мы сконструируем свой примитивный показатель: к счёту на табло будет добавлять ещё один мяч одной из команд. Та, которая чаще бьёт в створ, чаще просто бьёт или чаще владеет мячом. Если все эти показатели равны, шут с вами, не добавляем ничего. На полученных результатах строим ещё один рейтинг. И вот его передаём модели в качестве прогноза. Какого, а?
Получили новые данные — посмотрим на них.

И аналогичная картина для мадридского Реала.

Ну что, смотрим что выйдет на данных?

Итог: новая модель практически не испортила лучшую.

Да, ожидался немного не такой вариант.

А насколько это вообще всё плохо?

Сложно сказать.

Вот есть такой лидерборд. Там люди, конечно, азартные. Есть, например, человек, у которого точность 39% и ROI +9%). Но, в целом, ROI 20% выглядит вполне достойным топ-20.

А вот как раз экспертный рейтинг за октябрь-2022. Судя по числам, тут люди что-то понимают. Но всё равно для топ-20 достаточно просто быть в плюсе. А лучшая модель вполне уверенно борется за топ-5.

Модель № N+1

На этом стоит пока остановится. Хотя обидно не получить 50% точности, кажется, что это вполне возможно.

Есть ощущение, что все рассматриваемые модели смотрят на одни и те же вещи, просто под разными углами. Поэтому и результат близкий. Для того, чтобы увеличить точность, требуются гипотезы, с помощью которых можно лучше проникнуть в суть того, что происходит на поле.

Пока что в шорт-листе следующие гипотезы.

• Индивидуальный рейтинг игроков и корректировки на состав. Если суперзвезда не вышла на поле, прогноз команды понижается. Тут должен быть какой-то фактор сыгранности. И не иметь возможность делать прогноз до тех пор, пока составы не станут доступы — неприятное ограничение.

• Сброс рейтинга при изменении стиля игры. Новые игроки, новый тренер, команда просто начала играть по-другому. По-хорошему, это уже другая команда, рейтинг прошлой инкарнации использовать нехорошо. Но как определять этот момент? И насколько сильно, простите, обнулять?

• Определение стиля игры команды. И определения того, как команды разных стилей играют между собой. Условно, команда со ставкой на владением мячом, хорошо вскрывает «автобус», но проигрывает команде, специализирующейся на контратаках.

• Использовать другие алгоритмы машинного обучения. В том числе менее требовательные к числу параметров, чтобы можно было попробовать найти какие-то закономерности на большом количестве параметров.

Весь код доступен. Буду рад новым гипотезам и предложениям.

Больше упоротой аналитики, смелых моделей и разных визуализаций на разные темы в моём блоге. Всегда рад обратной связи, новым гипотезам и предложениям о том, чего б ещё покрутить.

Так кто победит?

Проголосовали 97 пользователей.

Воздержались 10 пользователей.

Этот пост написан пользователем Sports.ru, начать писать может каждый болельщик (сделать это можно здесь).

Автор: Dmitriy Sonic

Блог: Триумфатор и GameleonTeam

Я очень часто наталкивался на форумах даже на такие абсурдные фразы как например: «Думаю Челси выиграет этот матч в 60% случаев поэтому поставлю на них за коэффициент 1,5». То есть автору этой фразы достаточно того, что его ставка сыграет чаще, чем не сыграет, и совершенно наплевать, что если его ставка будет играть в 60% случаев при коэффициенте 1,5, то он будет терять на дистанции 10% от поставленных денег. А значит, если он поставит 100 ставок по $10 на коэффициент 1,5, то в среднем на дистанции он проиграет за эти 100 ставок $100. Здесь достаточно легкий расчет, но я все же остановлюсь на нем чтобы ни у кого не возникало вопросов. Игрок ставит $10 на одну ставку. Выиграет он ее в 60% случаев, а проиграет соответственно в 40% случаев. Значит в 40% случаев он получит убыток в 10$, а в 60% случаев его прибыль составит $5, так как он ставил $10 за коэффициент 1,5. А значит на длинной дистанции он будет терять в среднем по одному доллару с каждой ставки. Формула всех расчетов на скрине.

 

Чтобы такого не происходило, нужно ставить задачу не найти ставку которая чаще сыграет, чем не сыграет, а найти ставку у которой на один из исходов есть плюсовый ROI и поставить на этот самый исход. И как раз для этого нам нужно научиться как можно точнее прогнозировать вероятности исходов события. Другими словами, мы должны научиться как можно точнее рассчитывать вероятность победы первой команды в конкретном матче, вероятность победы второй команды, а также, вероятность ничьи, если это конечно вид спорта, в котором возможны ничьи. 

Научившись достаточно точно прогнозировать эти вероятности, мы сможем довольно легко находить матчи в которых есть ROI на какой-либо исход. Для этого нам нужно каждую отдельную вероятность умножить на коэффициент который дает контора на этот самый исход. 

Возьмем такой пример. Допустим играет сборная Египта против сборной Болгарии футбольный поединок. И мы путем своих подсчетов (предположим что они идеальные) определили следующие вероятности:

• Победа Египта 38%
• Ничья 32%
• Победа Болгарии 30%

А контора, где мы собираемся делать ставку, выставила следующие коэффициенты в линии:

• Победа Египта 2,5
• Ничья 3,2 
• Победа Болгарии 3,15

Значит если мы поставим на победу Египта, то мы поставим с ROI -5% (минус 5), то есть на длинной дистанции мы будем 5% от тех денег, что ставим на победу Египта.

Считается это так:

38%(Победа Египта) *2,5(Коэффициент на победу Египта) -100 = -5%

Что же произойдет если мы поставим на победу Болгарии?

30%(Победа Болгарии)*3.15(Коэффициент на победу Болгарии)-100= -5,5%

Эти 2 исхода говорят нам о том, что мы ни в коем случае не должны ставить на победу Египта или Болгарии, если подсчеты наши по вероятностям победы конечно точны. Нам нужно либо пропустить данные ставки, либо дождаться, когда коэффициенты на победу изменяться до тех пор, пока один из исходов не будет иметь положительный ROI.

Но у нас еще в линии есть ничья, что же с ней?

32%(Вероятность ничьи)*3,2(Коэффициент на ничью)-100= +2,4%

Как мы видим при ставке на ничью мы получаем ROI 2,4%, а значит ставки на этот исход нам выгодны, и на дистанции с каждого поставленного доллара на этот исход мы будем получать 2,4% прибыли. Таким образом, подытожив, мы можем сказать, что все что нам нужно, это научиться правильно определять вероятности исходов матча. То есть вероятность победы первой команды, ничьи и победы второй, после чего мы без труда найдем ставки у которых есть ROI, и как итог сможем ставить на матчи с плюсовым ROI и зарабатывать деньги.

Теперь когда вы понимаете что когда вы научитесь максимально точно определять вероятности исходов события, вы без труда сможете находить ставки с плюсовым ROI, и ставить на дистанции в плюс. Давайте перейдем к началу изучения прогнозирования вероятностей.

За прогнозирование вероятностей любого события будь то спортивное событие либо не спортивное, к примеру прогноз погоды или попадание снаряда в цель, отвечают науки — теория вероятностей и статистика. Для тех кому интересно начать изучать эти безумно полезные науки, если вы их не изучали ранее, я составил список очень полезных книг по которым вам проще всего будет получить знания:

1. Наиболее простым и понятным неискушенному читателю языком, написаны книги Е.С. Вентцель,т.к. они были предназначены для офицеров-артиллеристов. Там множество примеров (из артиллерии), все довольно подробно «разжевано».

2. Для тех же у кого есть математическая база знаний подойдет вузовский учебник «Чистяков В.П. Курс теории вероятностей», он очень лаконичен, но, вместе с тем, содержит практически все понемногу, а детали всегда можно найти в интернете. 

3. Так же неплохая книга «Руководство для инженеров по решению задач теории вероятностей».Ленинград, 1962 г.

Для тех кому легче обучаться по видео, могу посоветовать посмотреть лекции вот этого дядьки.  

Очень толково, интересно и доходчиво все рассказывает, специально искал на ютубе хорошего преподавателя, чтобы вам легче было усвоить тему. Посмотрел несколько его уроков и могу сказать, что по этим видео обучаться достаточно легко, и преподаватель достаточно сильный. 

Кто же не тяготеет к математическим наукам, не расстраивайтесь, так как на нашем Youtube-канале: 

https://www.youtube.com/channel/UCOg_DNGpyPYFxDipaIBl4kQ/videos?view_as=subscriber 

мы будем все рассказывать и показывать очень подробно, чтобы вы смогли понимать, что и как делать для прогнозирования матчей.

Теория вероятностей- это сугубо математическая наука, а значит для прогнозирования вероятностей понадобится разрабатывать математические модели, которые будут прогнозировать вероятности наступления того или иного события. Наша задача создавать максимально точные модели, ведь чем точнее мы рассчитаем вероятности, тем точнее будут наши ставки, и соответственно мы будем получать выше ROI. 

Первое, о чем нужно подумать при создании любой модели прогнозирующей вероятностей, это то, на данных какого типа будет она строиться? К примеру, в баскетболе можно строить различные системы прогнозирования на очках набранных командой в матче, так как этих очков достаточно много в каждом матче и соответственно в каждом сезоне. Так же если брать к примеру НБА, то там очень много матчей за сезон, поэтому база данных для прогнозирования каждый сезон набирается достаточно быстро. Если брать теннис, то здесь уже все несколько сложнее. Рассчитывать вероятности на основе окончательного счета, то есть, на основе количества выигранных сетов в том или ином матче бесполезное занятие. Т. к. сетов играется очень мало, бывает, что игроки за месяц играют всего лишь по 6-8 сетов. Даже если сделать модель на основе сетов мы столкнемся с той проблемой, что на основе сетов никак нельзя посчитать вероятности того или иного точного тотала геймов. К примеру, с помощью модели основанной на сетах, мы никак не узнаем какая вероятность того, что игроки сыграют ровно 20 геймов или к примеру 21 гейм в матче, а эти данные нам нужны для расчета вероятностей тотала. Я видел множество примеров расчетов тотала в теннисе. И везде на основе прошлых матчей пытались спрогнозировать как часто матч закончится больше или меньше того тотала, который написан в линии. На самом деле это вкорне неверный подход. Для прогнозирования тотала необходимо создавать модель которая будет определять вероятности каждого количества геймов. То есть, после того как модель сделала расчеты, мы должны видеть какова вероятность того, что в матче будет ровно 12 геймов, какова вероятность что будет ровно 13 геймов, 14, 15 и так далее. Если нельзя прогнозировать с помощью сетов, то как же прогнозировать вероятности в теннисе? 

Первое что приходит на ум это геймы, но и с ними есть множество проблем. Количество геймов, которые играет игрок, по-прежнему недостаточно большое, особенно если вспомнить что теннис это одиночный вид спорта и здесь очень большое влияние на вероятности играет текущая форма игрока, поэтому модели нужно строить на свежих данных, т. к. модели которые построены на данных четырех-пяти месячной давности будут очень неточны из-за того, что форма игроков в то время была совершенно другая относительно нынешней формы. Еще одной проблемой является то, что геймы в теннисе набираются не всегда линейным способом, ведь никак нельзя сыграть ровно 11 геймов в сете, это вносит очень большие коррективы при прогнозировании тотала. Об этом мы обязательно расскажем в дальнейших наших постах и видео. В общем мы подошли к ответу, что точнее всего вероятности исходов в теннисном матче прогнозируются с помощью данных о вероятности выиграть один розыгрыш. Зная вероятности с которыми соперники будут выигрывать очко на своей подаче против конкретного соперника, можно очень легко с помощью метода Монте-Карло посчитать абсолютно любую вероятность в матче, от вероятности побед соперников, до вероятностей того, что конечный счет будет 7-6 2-6 1-6.

На рисунке ниже представлена схема, с помощью которой можно построить модель Монте-Карло в екселе, обязательно попробуйте это сделать, очень полезно и интересно.

Давайте теперь перейдем к футболу.

На каких данных строить модель в футболе? Первое что приходит на ум это создавать модель на основе результатов прошлых матчей, то есть, на основе голов. Давайте рассмотрим футбол с математической точки зрения, чтобы понять почему эта затея несерьезна. Футбол это самый дисперсионный вид спорта, и я готов объяснить почему.

Если рассматривать виды спорта на которые принимаются ставки, то только в футболе возможны ситуации, когда одна из команд бьет в 10-20 раз больше ударов, но проигрывает матч. Думаю, каждый из вас хоть раз сталкивался с матчем, где одна из команд наносила 20-30 ударов по воротам и проигрывала матч команде, которая нанесла 1-2 удара. Все это из-за того, что футбол спорт с очень низкой результативностью, и у доброй половины ударов вероятность воплотиться в гол менее 5% и только у совсем малого количества ударов такая вероятность превышает 30%. Представьте ситуацию, чтобы в гандболе одной команде дали бросить 30 раз по воротам, а второй 3 раза, и выиграла вторая команда. Как вы понимаете у второй команды априори нет шансов выиграть, так как в гандболе вероятность забить гол в каждом броске намного выше. Поэтому команда, которая наносит 30 бросков, забьет даже при самых худших раскладах 10 голов, а при лучших более 25, а значит у команды с 3 бросками нет абсолютно никаких шансов. Тоже самое и в баскетболе, команда которая бросит в 10 раз больше в кольцо, победит без каких-либо вариантов. Наиболее близкий футболу по рандомности вид спорта это хоккей, но и там дисперсия все же меньше чем в футболе, т. к. голов и бросков больше. Так же зачастую в хоккее играют больше матчей чем в футболе. Но все же в хоккее дисперсия так же очень большая, чтобы прогнозировать отталкиваясь от результата игры. Поэтому прогнозирование на основе конечного счета так же не даст достаточно точных результатов.

Итак, как же прогнозировать вероятности футбольных матчей? Одним из вариантов является построение модели прогнозирования основанной на более мелких элементах игры, чем голы, а именно на ударах по воротам, и на владении мячом. Давайте я вкратце расскажу, как работали системы несколько лет назад и как люди делали ставки, даже не смотря ни одного матча за год. Когда я жил в Чехии, я познакомился с одним успешным беттором из Германии, которого звали Пауль и я лично видел, как он делает ставки на футбол, и какие системы для этого использует. Для того чтобы узнать какова вероятность того или иного исхода матча, он рассчитывал вначале вероятности для владения мячом и удара. К примеру, представим, что в матче Лион и Марсель он рассчитал такие вероятности владения мячом:

Как вы видите из картинке выше у каждого владения есть своя вероятность, к примеру в 10% матчей Лион будет владеть мячом ровно 55% времени; в 8% матчей Лион будет владеть ровно 54% времени; в 2 % матчей Лион будет владеть 48% времени. Все эти вероятности зависят от различного хода матча. 

Тоже самое Пауль сделал и для ударов по воротам, к примеру на картинке ниже в 8% случаев Лион нанесет ровно на 4 удара больше, чем соперник, и так же в 8% матчей ровно на 3 удара больше, чем соперник. В 1 % матчей на 16 ударов больше, чем соперник, и так же в 1% на 10 ударов меньше, чем соперник.

 

Точно так он работал и с пасами, угловыми и другими статистическими показателями. Что с этим со всем он делал дальше?

У него были математические модели, основанные на статистики с 30 000 матчей, эти модели помогали ему конвертировать вероятности владения, вероятности ударов и вероятности прочих статистических данных в вероятности исходов события. Давайте расскажу, как это выглядело, но сразу скажу, что этих данных к сожалению, у меня нет, так как в то время я не делал ставки, а когда мы обратили внимание на ставки, то сразу начали работать с xG. Поэтому буду показывать примеры с данными собранными за 3000 матчей специально для этого поста. Если кто-нибудь желает пользоваться этой стратегией которую я сейчас покажу, то скажу сразу, нужно в идеале собрать статистику как минимум с 30 000 матчей, чтобы получить точные данные. Если работать одному, то уйдет около недели-двух. 

Итак, смотрим на картинку ниже, где у нас 4 колонки.

Первая колонка — это столбик в котором написана разница ударов между домашней командой и командой гостей. Как вы понимаете здесь как пример указана лишь несколько разниц, так как команды могут нанести не только на 5 ударов больше по воротам, но и на 10 и на 20, но это нам сейчас ни к чему.

Вторая колонка — это вероятность с которой выиграет первая команда при той или иной разнице в ударах.

Третья колонка соответственно вероятность ничьи, и четвертая вероятность победы второй команды.

 

Как пример, если первая команда нанесет на 3 удара больше по воротам, то она победит в матче в 47% процентах случаев, сыграет вничью в 26% и проиграет 27% матчей. Если домашняя команда нанесет на 5 ударов меньше, то она выиграет в 32% случаях, в 28% будет ничья, а проиграет соответственно в 40% матчей. Как вы видите прослеживается отличная корреляция между нанесенными ударами и вероятностями исхода матча.

Теперь вы понимаете, что когда Пауль, к примеру, рассчитывал, что в матче Лиона и Марселя, Лион нанесет в 8% матчей на 3 удара больше по воротам, он понимал, что в тех матчах, где разница будет ровно на 3 удара, Лион выиграет в 47% случаев, ничья будет в 26%, а победа Марселя в 27%.

То есть из этих 8% матчей Лион выиграет 8*0,47=3,76%, ничья будет в 8*0,26=2,08%, а Марсель победит в 8*0,27=2,16%.

 

Далее такие же подсчеты проделывались и для остальных вероятностей, к примеру, когда в 2% матчей Марсель нанесет на 5 ударов больше по воротам, он выиграет в 40%, сыграет вничью в 28% и проиграет в 32% матчей, а значит в этих 2% мы получим 2*0,32=0,64% победа Лиона, 2*0,28=0,56% ничья и 0,8% победа Марселя, и так далее.

Как итог, умножив все вероятности из этой кривой Гаусса

 

на вероятности из таблицы вероятностей,

 

Пауль получал вероятности исходов матча Лион – Марсель. Так он проделывал и для ударов, и для владения, и для нескольких других статистических данных. Например, угловые, пасы, отборы, и на выходе после всех этих манипуляций он знал достаточно точные вероятности исходов, и на дистанции переигрывал пул игроков с приличным ROI. Все что ему нужно было, так это построить модель прогнозирующую вероятности владения, пасов, ударов, и так далее.

Эта модель строится достаточно легко и к ее построению мы еще доберемся, когда будем рассказывать, как строить такие модели для xG, правда там все намного сложнее.

Кстати, если вы внимательно смотрели на таблицу, то могли заметить, что при равном количестве ударов (0), к примеру, при счете 15-15 по ударам, вероятность победы первой команды 39%, а второй лишь 31%.

Это связано НЕ с тем, что домашние команды лучше реализуют моменты на домашнем стадионе, т.к на реализацию самого удара не особо влияет домашний или гостевой стадионы. Это объясняется тем, что домашние команды создают более опасные моменты в матче, чем гостевые команды. К примеру, домашние команды реже бьют издали, и чаще с близкого расстояния. Это все дает то, что вероятность реализовать удар у домашней команды чуть выше, чем у гостевой, и соответственно 15 ударов домашней команды чуть лучше, чем те же 15 ударов гостевой команды. Это может быть незаметно глазу, но изучив уже через время статистику по xG, мы действительно нашли математическое подтверждение этому факту, в будущем у нас будет выходить множество видео по xG и в одном из них Артем покажет и расскажет об этом.

Итак, системы построенные на проценте владения, на угловых и на количестве ударов действительно могут достаточно точно определять вероятности исходов предстоящих матчей. Но с появлением xG все изменилось. Теперь можно прогнозировать матчи намного точнее, ведь мы можем узнать не просто количество ударов в матче, но и вероятность каждого удара стать голом. И этот путь ведет к прогнозированию вероятностей с изумительной точностью.

ОРИГИНАЛЬНЫЙ ПОСТ

Читайте самые горячие 🔥 материалы «Академии»:

• 5 малоизвестных чемпионатов для ставок на тотал больше
• Что должен знать о договорных матчах каждый ставочник
• Невозвратные затраты и ставки. Почему умение остановиться — важнейшее умение в беттинге

Использование правильной стратегии при таких рода  ставках может гарантировать высокую прибыль при игре на длинных дистанциях. Вариантов игры в данном направлении очень много.

Как найти свою нишу при ставках на исход матча?

Оптимально протестировать собственный метод игры на виртуальном банке и только после этого переходить на ставки с реальными деньгами. Нужно всех своих результатов вести четкий учет, чтобы была возможность в будущем их проанализировать. Начните делать ставки на один чемпионат, к примеру, на Серию «А». Что именно потребуется анализировать:

1. Какое количество ничьих встречается в туре, и играет ли на них  ваша ставка;
2. Какое количество побед хозяев встречается в туре, и играет ли на них ваша ставка;
3. Какое количество побед приходится на фаворитов, и играет ли на них ваша ставка;
4. Какое количество побед приходятся на аутсайдеров, и играет ли на них ваша ставка;
5. И т.д.

Такой анализ позволит вам иметь представление о чемпионате, на который вы собираетесь делать ставки. Сделайте «N» количество ставок и проверьте, в какую сторону изменится ваш банк. В случае его увеличения, можно смело двигаться далее. Проанализируйте проигранные ставки попробуйте найти логическое объяснение поражению.  Увеличение банка где-то с 50-ти ставок уже может говорить о хорошем потенциале игрока.

Когда после ставок на виртуальные деньги банк ушел в «минус» или вовсе закончился, то это не значит, что нужно забыть о заработке на ставках навсегда. Хорошо проанализируйте ошибки:

1. Может вы выбрали совсем не знакомый для себя чемпионат или турнир.
2. Происходили случаи, когда вы пытались сразу отыграть проигранную ставку большой суммой ставки
3. Делали ставки наобум.
4. И многие другие.

Правильный анализ проигранных ставок может помочь выработать идеальную собственную стратегию, которая будет приносить регулярную прибыль.

Многие решают не заморачиваться с анализом спортивных событий, а покупать уже готовые прогнозы. В принципе – это также является в определенном роде стратегией. Единственное, стоит понимать, что эффективные прогнозы стоят больших денег. Не стоит забывать, что при покупке прогнозов нужно правильно управлять банком, иначе от них толку будет мало.

Многие начинающие игроки, считают, что такие коэффициенты как, 1,1;1,2;1,3 – это в любом случае выигрышная ставка. И, если постоянно ставить на такие низкие коэффициенты, то в любом случае будешь в «плюсе». Однако, такое мнение ошибочное. Да, на низких коэффициентах можно быть в прибыли, у нас даже есть об этом отдельная статья, но все не так просто, как кажется на первый взгляд.

Почему бетторы не составляют экспрессы из исходов матча?

Бывалые бетторы не используют ставки на исход матча в своих экспрессах. Изначально, кажется, что все очень радужно – найти штук пять «железных» исходов матча и поставить на них экспресс, ведь коэффициент выходит отличный. Да, коэффициент приличный, но и вероятность прохода такой ставки ничтожно мал.

Достаточно одному поединку не сыграть, и «плакали» ваши денежки. Если вы уже и собрались сделать ставку на некоторое число исходов в одной ставке, то лучше использовать систему. В таком виде ставок игроку позволительно сделать «прокол» в одном из исходов и получать прибыль, но, конечно меньшую, в отличие от экспресса. Если у вас не сыграли два события, то есть возможность хотя бы вернуть сумму ставки.

По мнению профессиональных игроков, ставки на экспресс – это очень неблагодарное дело, приводящее к потере всего банка. Бесспорно, у вас могут заходить экспрессы, и вы получите от них прибыль, но мы говорим не о спонтанном заработке, а прибыли от ставок на регулярной основе.

Если вы все равно остаетесь при своем и хотите поставить экспресс, основанный на исходах поединков, то обязательно нужно перестраховаться.  Например, вы выбрали три матча, в которых точно уверенны в победе хозяев поля. Кроме этого экспресса вы должны перестраховаться еще тремя ставками:

Обязательное требование такой ставки является показатель коэффициента каждого экспресса не менее 4-х.

Заключение

Ставки на исход матча довольно интересный вид ставок, как для начинающего игрока, так и для беттора со стажем. Профессиональные бетторы уже давно играют на своих собственных прибыльных стратегиях, которыми бесплатно уж точно не будут делиться. Через ставки на исход матча прошел любой игрок в букмекерской конторе, а продолжать играть на них или нет – решать только вам!

Теория вероятности в ставках на спорт

Для большинства игроков ставки на спорт — всего лишь увлечение, хобби. Впрочем, его часто сравнивают с точными науками, прежде всего — с математикой и статистикой. Отличий, конечно, хватает, но кое-что общее тоже имеется.

Например, в обеих областях время от времени происходят случайные события. В математике их вероятность высчитывается и объясняется при помощи формул. Но реально ли использовать такой подход в ставках? Собственно, для этого и есть теория вероятности.

Теория вероятности — раздел математики, изучающий закономерности случайных событий и величин, а также их свойства. Она позволяет определить вероятность какого-либо события по сравнению с другим.

Есть три подхода определения вероятности — априорный (метод Байеса), эмпирический и субъективный.

При априорном подходе вероятность каждого события определяют заранее. Например, при подбрасывании идеально симметричной монетки вероятность выпадения орла или решки равна 50%. А при подбрасывании игральной кости она меньше — 1 из 6, по количеству сторон.

Согласно методу Байеса, при каждом подбрасывании будет поочерёдно выпадать орёл или решка. В реальности подобное случается крайне редко и только до определённого момента. Орёл или решка может выпасть несколько раз подряд, но при многократном подбрасывании монетки соотношение выравнивается. Неравномерное распределение в математике называют дисперсией.

Эмпирический метод предлагает определить вероятность события по формуле:

P = N / X, где N — количество подходящих исходов, X — количество всех возможных исходов.

Например, «Арсенал» на новом стадионе выиграл 10 из 22 домашних матчей у «Тоттенхэма». Тогда вероятность победы «канониров» в следующем дерби Северного Лондона на своём поле равна 45,5% (10/22).

Наконец субъективная вероятность оценивается на основе опыта наблюдателя, общественного мнения или анализа конкретной ситуации. При оценке вероятности стараются принять во внимание максимально возможное количество доступных факторов.

Marc Atkins/Getty Images

Зачем нужен математический анализ в ставках на спорт

Математику активно используют профессиональные игроки и работники букмекерских контор, которые занимаются выставлением линий на то или иное событие. Конвертировав статистические данные в цифры и проведя математический анализ планируемых ставок, можно определить следующие показатели:

• средний показатель угловых ударов;
• ожидаемый процент владения мячом каждой из команд;
• количество ударов в створ ворот;
• долю нереализованных моментов от общего числа проведённых атак;
• количество фолов, жёлтых и красных карточек;
• число аутов и т.д.

Следовательно, математический расчёт ставок повышает шансы игрока на прибыль, поскольку обеспечивает его дополнительной информацией. А главное — помогает обнаруживать выгодные коэффициенты.

Как определить маржу букмекера и понять вероятность исхода

Коэффициент на исход отражает вероятность события с точки зрения букмекеров. Однако есть важный нюанс, о котором не знают некоторые новички. Речь о марже.

Маржа — это главный источник стабильного заработка букмекера. Так называется комиссия, которая заложена в каждый из выставленных коэффициентов.

Без знания этих терминов рассчитать вероятность исхода нельзя. Для вычисления ожидаемой вероятности используется простая формула:

Х = 1/K, где K — коэффициент букмекера.

David S. Bustamante/Soccrates/Getty Images

Пример расчёта вероятности и маржи в ставках на спорт

Предположим, вас интересует матч чемпионата Испании по футболу между «Барселоной» и «Атлетико». Букмекер предлагает коэффициент 1.65 на победу хозяев, 4.70 на ничью и 5.00 на успех гостей. Вычисляем вероятность:

● Победа «Барселоны» 0.606 (60,6%): 1/1.65.

● Ничья 0.2127 (21,27%): 1/4.70.

● Победа «Атлетико» 0.2 (20%): 1/5.00.

В сумме получаем 1.0187: 0.6060 + 0.2127 + 0.2000.

Маржа составляет около 1,2%: (1.0187 — 1) х 100 = 1,187%.

Как определить ценность ставки, что такое валуй в ставках на спорт

Итак, коэффициент показывает оценку вероятности исхода по мнению букмекеров. Ошибки допускают все, в том числе и аналитики контор. Потому некоторые исходы являются недооценëнными. На языке бетторов такие ставки называют валуйными.

Ставка валуйная, если:

K х P > 1, где K — коэффициент, P — ваша оценка вероятности.

Например, в матче Лиги чемпионов «Реал» — «Ювентус» букмекеры дают коэффициент 1.80 на победу хозяев, 4.40 на ничью и 4.60 на выигрыш гостей.

Вы провели анализ матча и решили, что вероятность ничьей составляет 25%.

Оцениваем ставку:

4.40 х 0.25 = 1.10 > 1, ставка валуйная.

Для определения математического ожидания прибыли на дистанции используется формула:

N x Х x (K х P — 1), где N — количество ставок, P — ваша оценка вероятности, K — коэффициент, Х — сумма ставки.

Если вы верно оценили шансы в приведённом примере и сделаете 20 аналогичных ставок на сумму 1000 рублей каждая, то прибыль составит 2000 рублей: 20 х 1000 x (4.40 x 0.25 — 1).

Если вы научитесь правильно оценивать вероятность исходов, валуйные ставки обеспечат прибыль на дистанции. Помните, что методов объективной оценки того или иного исхода не существует. И даже самая недооценённая ставка может не зайти.

Sportinfoto/DeFodi Images via Getty Images

Что такое дисперсия в ставках на спорт, в чём суть

Дисперсией называется разброс случайной величины относительно её математического ожидания. Мы уже сталкивались с ней в начале текста, когда говорили о подбрасывании монетки.

Определять вероятность длительных серий поражений или побед можно по формуле:

D = (1 – 1/коэффициент) в степени S, где S — количество необходимых результатов (побед и поражений) подряд.

Например, в хоккейном матче «Салават Юлаев» — «Авангард» аналитики дают коэффициент 2.50 на победу хозяев, а счёт в серии до четырёх побед — 3-1 в пользу омичей. Вероятность выигрыша уфимцев равна 0.40: 1/2.50.

В теории «Салават» должен победить в четырёх матчах из 10. В реальности казанцы могут как выиграть во всех случаях, так и остаться без побед. Однако на дистанции результаты приблизятся к математическому ожиданию.

Например, вероятность трёх побед подряд в приведённом примере составляет 0.064: (1 — 1/2.50) ^ 3. То есть шансы команды одержать победу в серии и пробиться в следующий раунд составляют 6,4%.

На деле вычисления содержат погрешность, поскольку в случае победы уфимцев коэффициенты на следующую игру могут измениться.

Метод Монте-Карло в ставках на спорт

Методом Монте-Карло называется моделирование всех возможных исходов при заданных параметрах. Чем больше факторов вы учтёте, тем точнее получите вероятность по тому или иному выбору.

При совершении ставок на спорт в букмекерских конторах опытные игроки советуют учитывать не только коэффициенты в линии, но и собственную оценку вероятности. Чтобы идти в плюсе на дистанции, вы должны находить и заигрывать валуйные ставки.

Не стесняйтесь использовать математику в ставках на спорт. Это не гарантия успеха, но хорошая защита от необдуманных действий.