Как составить свой прогноз на матч

Делать ставки на спорт без собственного прогноза просто невозможно. Прежде чем определиться с итоговым выбором, необходимо рассмотреть событие со всех сторон, мысленно спрогнозировать его ход и только потом размещать ставку. Для этого предстоит обработать большой поток информации, но этот труд значительно повысит ваши шансы на выигрыш в букмекерской конторе.

С чего начать?

Для начала необходимо определиться с видом спорта и чемпионатом/чемпионатами для ставок. Необходимо обращать внимание на то, в чем хорошо разбираетесь. Если вы любите футбол или баскетбол, то не надо открывать в линии раздел «Теннис». Хотите ставить на киберспорт, но ничего в нем не понимаете?

Сначала изучите все термины и дисциплины, а также почитайте полезные статьи на эту тему, а потом уже беритесь за дело.

Беттинг – очень непростое занятие, где нет гарантий успеха. Последний зависит от совокупности множества факторов, но каждый беттор своим трудом и кропотливой работой может повысить свои шансы.

Почему необходимо остановиться на одном или нескольких чемпионатах?

Читайте также:

• Выбрать лучшего букмекера для ставок на спорт
• Прогнозы на сегодня от профессионалов
• Как выбрать букмекерскую контору – советы «РБ»
• Бездепозитные бонусы букмекерских контор
• Как не проиграть первую ставку – 6 советов новичку

Невозможно хорошо разбираться во всех лигах сразу – у человека просто не хватит времени и сил для того, чтобы просматривать все матчи и обрабатывать такой поток информации между турами. Поэтому лучше остановиться на одном или нескольких турнирах, которые вам ближе других. На тех, где вам хорошо знакомы команды, игроки и их возможности, по которым вам доступны качественные и оперативные источники информации.

Сбор информации по футбольному матчу

После того, как вы определитесь с видом спорта и лигами, на которые планируете ставить, необходимо переходить к сбору данных по предстоящим матчам. Она включает в себя ряд факторов, которые проще перечислить тезисно:

• Текущая форма команд;
• Статистика выступления в сезоне (угловые, фолы, желтые карточки, среднее количество голов и прочие показатели);
• Ситуация с составами (травмы, дисквалификации, взаимоотношения с партнерами и тренером);
• Мотивация команд.

Чтобы получить всю эту информацию, вам понадобятся не только специализированные статистические ресурсы, призванные помочь игрокам на ставках, но и новостные порталы. Вы будете в курсе изменений в составах, состояния игроков, а также сможете почерпнуть что-то интересное и полезное из высказываний самих участников игры. Кроме того, огромное значение имеет просмотр матчей, обзоров и программ с анализом от специалистов.

Не забывайте также заранее узнавать статус встречи – не все дерби нам знакомы, если речь не идет о личных встречах грандов. А в таких поединках логика может не иметь значения. Помимо этого, бывает важно ознакомиться с прогнозом погоды в том регионе или городе, где будет проходить выбранное для ставки событие. Проливной дождь или палящее солнце могут оказать серьезное влияние на итог поединка.

Что потом?

Далее необходимо рассортировать всю найденную и полученную информацию по предстоящим матчам у себя в голове или на бумаге (так удобнее для восприятия, и точно ничего не будет пропущено). Следом вы отсеиваете те матчи, в которых сложно определиться со ставкой и по которым есть вопросы.

Отобрав наиболее перспективные встречи для прогнозирования, необходимо представить себе наиболее вероятный ход поединка: какая из команд будет больше владеть инициативой, а какая будет играть от соперника и уйдет в глухую оборону? Прокручивая возможный сценарий матча в голове, необходимо понимать сильные и слабые стороны визави, а также знать повадки игроков.

Например, при наличии в одной из команд вспыльчивых ребят, их горячий нрав может обернуться красной карточкой и серьезно повлиять на ход игры.

Сопоставив все факторы и нарисовав мысленно потенциальный ход поединка, вы можете переходить к выбору ставки. И помните, что необходимо стремиться к отбору одной-двух наиболее перспективных ставок на игру, а не пытаться «затащить» 10 разных.

Резюме

В заключение материала предлагаем тезисно взглянуть на текущую тему – ключевые моменты в составлении прогноза на матч:

• Отбор вида спорта и турнира для регулярной игры;
• Сбор информации;
• Отслеживание новостей;
• Сортировка полученных данных и прогнозирование наиболее возможного сценария встречи;
• Выбор ставки и заключение пари с букмекером.

Часто задаваемые вопросы

Как составлять суточный прогноз на спорт?

Любой прогноз должен создаваться при проведении тщательного анализа игры. Во внимание стоит принимать как основные факторы, влияющие на результат (составы, травмы, мотивация, текущая форма), так и косвенные – погодные условия, настрой команды и т.п.

Какой сайт делает правильные прогнозы на ставки?

Сервиса, в котором дают только верные прогнозы без проигрышей, в настоящий момент не существует, поскольку в ставках давать только правильные варианты событий невозможно. Последить за прогнозами ведущих экспертов вы можете в этом разделе нашего сайта.

Как сделать прогноз, не используя компьютер?

Для этого необходимо досконально знать информацию о возможностях выступающих команд/игроков. Но более точный прогноз можно будет сделать только с использованием современных технологий, дающих доступ к нужной информации.

Как зарекомендовать себя в прогнозах?

Для этого важно уметь правильно анализировать матчи и делать это успешно на длительной дистанции. Можно завести свой канал или паблик в соцсети и периодически публиковать свои прогнозы на матчи. При помощи рекламных инструментов появится хороший шанс сделать себе в прогнозировании авторитетное имя.

Бывают ли точные прогнозы ставок?

Безусловно, бывают. Но и без проигрышей в ставках находиться долгое время тоже нереально.

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.

Футбольные матчи являются объектом многочисленных прогнозов. В интернете без труда можно найти прогнозы на футбол. В основном, это еврокубковые поединки, а также матчи ведущих европейских первенств.

Чтобы составить хороший прогноз на игру, необходимо учитывать следующие факторы:

• Турнирное положение играющих команд;
• Текущие результаты команд в последних матчах;
• Тип соревнования (чемпионат или кубок);
• Календарь;
• Мотивацию игроков;
• Количество травмированных основных футболистов;
• Погоду и состояние поля в день игры.

В данной статье остановимся детально на каждом параметре и укажем рекомендации к составлению футбольных прогнозов.

Турнирное положение команд

При оценке шансов команд первое, что нужно сделать – это изучить турнирное положение коллективов. Следует проанализировать статистику поединков, проведенных на выезде и дома. Определить, сколько команды забивают и пропускают.

Для удобства лучше воспользоваться сайтами статистики. В них отдельно подаются таблицы домашних и выездных матчей соперников за последние 5-10 игр и общие таблицы по итогам всех встреч.

Если мы хотим дать прогноз на тоталы, для этого есть специальные таблицы, в которых указано количество встреч, где команды забивали и пропускали больше или меньше определенного тотала. Вот пример подобной статистики:

В данной таблице хорошо видно, что Верона, Лацио, Ювентус, Сампдория сыграли очень много матчей на тотал больше 2,5. Если проанализировать домашние и выездные поединки, то Лацио заметно выделяется, имея 100 % выездных встреч на тотал больше 2,5. Ювентус провел 88 % домашних поединков на тотал больше.

Имея под рукой такие данные, акцент можно сделать на тех коллективах, которые провели более 70 % поединков на тотал больше. Выбрав 4-5 подобных команд, можно с высокой долей вероятности предсказывать результативные поединки с их участием. В таблице можно менять значение тоталов, и таким образом подбирать коллективы, которые лучше всего подходят для ставок на тотал больше/меньше. Для тотала больше очень хорошо, если оба соперника имеют показатель близкий к 70%.

Примерно по такому же принципу подбираются встречи для прогнозов на футбол для ставок на тотал угловых в матче и в таймах.

Подбирается нужное значение тотала и анализируются все участники по количеству заработанных угловых в матчах. Для игры на тотал больше оптимально, когда обе команды имеют показатели выше 65 %.

При анализе исходов важно разбить встречи, особенно середняков, которые очень сильно играют дома, в то время как на выезде большинство встреч заканчивают неудачно. Классическими примерами подобных коллективов являются Атлетик Бильбао, Парма, Байер, много английских клубов. Поэтому при формировании прогноза на исход встречи анализируем следующую таблицу:

В правом верхнем углу можно менять формат таблицы на выездные, домашние и все встречи. В данном случае очевидно, что Ювентус доминирует дома, в то время, как Беневенто все свои игры проиграл. Естественно, можно предположить, что подобная тенденция сохранится.

Анализ формы команд при составлении прогнозов

Некоторые новички при составлении прогнозов не учитывают последние результаты игроков. В большей степени они ориентируются на имя клуба и на его прошлые заслуги. Ярким примером в данном случае является Боруссия Дортмунд. Все привыкли, что дортмундцы демонстрируют яркую игру и в немецком чемпионате постоянно занимают первое или второе место.

Однако в текущем чемпионате «шмели» не могут уже месяц одержать победу. Явный спад в игре Дортмунда отнюдь не случаен, поскольку много новых футболистов еще не до конца освоились в клубе. К тому же в лазарете много травмированных футболистов. Эти факторы учитывают опытные капперы. Однако, новички, по старинке, делают ставки на победу Боруссии, абсолютно не учитывая состояние команды. Естественно такие предсказывания нельзя назвать качественными.

Примерно такая же история была и с Миланом, когда он начал скатываться в середняки. Многие бетторы до конца не осознавали реальное положение клуба и все ставили на его победу в надежде на хороший заработок. После нескольких провальных сезонов отношение к Милану изменилось и его не воспринимают так, как это было в 90-е годы.

Как оценивать текущую форму команды, чтобы делать хорошие прогнозы на исходы с ее участием? Достаточно перейти к таблице, в которой подаются результаты участников за последние 5-10 игр.

В данной таблице можно делать разбивку на 5,10,15 игр, а также делить их на домашние и выездные. Очень удобная форма подачи текущих результатов позволяет легко определить, что Кельн, Боруссия Д и Фрайбург находятся в незавидном положении в последний месяц. В то же время Бавария, Байер и Шальке на подъеме, набрав больше всего очков за указанный период.

Анализируем теперь последние 5 матчей.

Очевидно, что Гамбург, Фрайбург и Кельн провалили пятиматчевый отрезок гостевых встреч. На троих они сумели набрать лишь два очка. В то же время Бавария, Шальке и Боруссия удачно сыграли в последних гостевых поединках.

Точно такой же анализ можно провести домашних поединков коллективов. Таким образом, прогнозы на футбол составляются с учетом последних 5-10 общих, домашних и выездных встреч.

Футбольные прогнозы на кубок и чемпионат

При составлении прогнозов на футбол обязательно учитывается статус и тип соревнований. В чемпионатах, обычно, больших успехов добиваются более мастеровитые коллективы. И это вполне логично, поскольку количество игр велико. Рано или поздно класс игроков скажется, и сильные клубы окажутся в верху турнирной таблицы. Поэтому с высокой долей вероятности можно предсказывать победы лидеров в долгосрочных турнирах.

Кубковые соревнования часто преподносят сюрпризы. Много случаев, когда команды из низших лиг пробивались в финальные стадии и даже завоевывали кубок. Причиной этому чрезмерная мотивация. Во встречах с более классными соперниками такие коллективы демонстрируют запредельную самоотдачу. В матче они не жалеют ни себя, ни соперника. В результате получается, что в таких играх Бавария уступает клубу из 3-ей региональной лиги, или Тоттенхем уступает любительской команде. Больше всего сенсаций происходит, когда андердог играет дома. Это и понятно, поскольку местные болельщики очень сильно поддерживают своих любимцев.

Достаточно много неожиданностей происходит на Чемпионатах Мира. Не всегда текущий рейтинг сборных отображает реальный ее уровень. Это вполне объяснимо, поскольку сборные из разных континентов встречаются между собой на официальном уровне очень редко. Поэтому делать прогнозы на матчи вроде Шотландия – Коста-Рика, или Австрия – Парагвай достаточно нелегко. Основной информацией при анализе шансов команд могут быть результаты последних товарищеских матчей. Но и она часто не объективна, как показывает практика.

Учитываем календарь в прогнозах на футбол

Не секрет, что у ведущих клубов Европы плотный календарь. Они вынуждены рационально распределять свои силы между национальным первенством, кубком и Лигой Чемпионов. А есть еще встречи за сборную, в которых участвуют больше половины футболистов.

За одну неделю футболисты могут сыграть три поединка. Естественно, что не всегда получается, как следует восстановиться к следующей игре. Типичный пример – матчи в Лиге Чемпионов, которые проходят в среду и во вторник. После изнурительного выездного поединка приходится играть в субботу в чемпионате и тоже на выезде. Что можно ожидать от этой игры?

Результат очень сложно предугадывать. Если не учитывать фактор еврокубкового поединка, то можно ошибиться с прогнозом. Вполне вероятно, что соперник, зная о не лучшем физическом состоянии гостей, даст ему бой. Как правило, в подобных встречах даже гранды вроде Реала, Баварии, Челси и ПСЖ частенько играют в ничью, а иногда даже уступают.

Учитывая вышесказанное, при составлении прогноза на игру очень важно обращать внимание на плотность встреч и на количество дней между ними.

Мотивация игроков

Валерий Васильевич Лобановский еще в союзные времена говорил о том, что сложно заставить немотивированную команду играть на пределе своих возможностей. Доказательством его слов являлись результаты Динамо Киев в последних поединках чемпионата, когда клуб выиграл золотые медали. Поражения от Пахтакора со счетом 5-0 в последнем туре, когда перед этим была повержена Бавария – красноречивый пример. Из более поздних – отметим проигрыш киевлян Ньюкаслу 0-2 на выезде в 97-м году, когда было обеспечено первое место в результате побед над Барселоной с общим счетом 7-0.

Что это означает применительно к прогнозированию на футбол? Не нужно ставить на коллективы, которые решили свои турнирные задачи. Их мотивация заметно падает и хорошо, если они будут играть на 60-70 % своих возможностей.

И наоборот, можно предсказать победу аутсайдера в последних турах, который отчаянно борется за выживание. Также можно ожидать хорошей игры от не очень мастеровитого клуба в кубковом противостоянии дома против явного фаворита.

Анализируем составы команд

Бетторы всесторонне анализируют количество травмированных и дисквалифицированных игроков играющих коллективов. Часто так бывает, что после травм и дисквалификации нескольких ведущих нападающих, защитников и полузащитников потенциал коллектива заметно снижается. Возвращаясь, к примеру, Боруссии Дортмунд, отметим, что последние неудачи клуба во многом связаны с отсутствием по причине травм Ройса, Пищека и Роде.

Примерно такая же ситуация несколько лет назад была у Баварии. Стоило попасть в лазарет Роббену и Рибери, как игра клуба меняется в не лучшую сторону и результаты ухудшаются. Особенно это хорошо заметно по еврокубковым матчам.

У каждой команды есть стержневые футболисты, через которых строится вся игра. Как правило, это опорный полузащитник, диспетчер, пара центральных защитников, вратарь и основной нападающий. Если выбывает даже один из этих игроков, и ему нет замены, то наигранные связи утрачиваются. Проводить комбинации и защищаться сложнее. В таких случаях угадать итог матча сложнее. 

Фактор погоды

Погодные условия в значительной мере влияют на игру соперников. Если в день матча ожидается проливной дождь, можно ожидать небольшого количества голов. На плохом поле сложно создавать опасные моменты. Разница в мастерстве команд нивелируется. В таких подобных поединках часто случаются неожиданные результаты, когда потенциальному андердогу удается отобрать очки у фаворита.

Наиболее неблагоприятными условия игры на заснеженном или обледенелом газоне. Для обработки мяча игрокам приходится тратить много времени. Скоростные качества футболистов сводятся на нет. Защищаться на таком поле гораздо проще. На первый план выходит физическое состояние участников и их бойцовские качества.

Хорошим примером игр на плохом поле являются первые туры чемпионатов России, Украины. Если посмотреть на статистику поединков, то можно заметить большое количество матчей, которые закончились со счетами 0-0, 1-0, 0-1. Большая часть матчей в первых турах заканчивается на тотал меньше 2,5. При этом потенциальные фавориты часто теряют очки в играх с аутсайдерами.

При прогнозировании футбольных матчей обязательно необходимо смотреть, какая ожидается погода, будут или нет осадки в виде дождя и снега.

После изучения всей этой информации, соблюдению правил анализа статистических данных и текущих изменений по встрече, вам не составит труда составить прогноз на футбол.

Интересно

Прогнозы на виртуальный спорт от экспертов: сам себе профи

Как составлять прогнозы на баскетбол с высокой проходимостью

Зарабатываем ставками на виртуальный футбол в плюс

Как правильно составлять точные прогнозы на спорт

Букмекер имеет преимущество над игроком за счет маржи, но это не значит, что выигрывать на ставках невозможно. Грамотный анализ позволяет нивелировать превосходство букмекерских контор, а как правильно анализировать матчи и делать точные прогнозы на спорт – я подробно расскажу в этом материале.

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