Программируем выигрыш!

Математическое моделирование различных игр набирает обороты. Компьютерные программы уже давно обыгрывают людей в шахматы. Не так давно компьютер обыграл человека в Go. Вскоре очередь дойдет и до покера, в этом нет сомнений.

Мне как программисту интересно разобраться в этой предметной области. Мне интересно две сферы: покер и ставки.

Делать бота для покера сложнее. Дело даже не в математической модели (что очень сложно), а борьба с сопутствующими сложностями, такие как определение текущей ситуации за столом с экрана, моделирование поведения человека, чтобы бота не обнаружил рум и тд.

Так что мой выбор пал на спортивные ставки. В первом приближение буду делать программу со следующим функционалом: сбор исторической статистики и коэффициентов, создание математической модели, построение модели прогноза.

В начале разработки мне представляется программа, которая будет делать первичный отсев событий, может быть когда-нибудь и получится курочка несущая золотые яйца (запустил и смотри как растет прибыль), но сейчас сконцентрируемся на следующей цели: из всего многообразия спортивных событий и ставок, программа должна отбирать события с высокой вероятностью положительного прогноза, который будет +EV по сравнение с коэффициентами букмекеров.

Я не буду выкладывать программный код, а лишь писать мысли и если получится работающие алгоритмы. Блог мне нужен для того, чтобы структурировать полученную информацию. Так же если я буду заходить не туда, то сообщество даст дельные советы .

На Хабре есть отличная статья:

https://habrahabr.ru/post/306944/

https://habrahabr.ru/post/307422/

Представлены отличные идеи для машинного обучения, только есть одно но, прогноз получается в чистом виде, отсутствует сравнение с кеффами букмекеров. По сути такой прогноз ничего не дает. Если кефф будет ниже % прогноза, то на дистанции будет минус.

Но идеи конечно стоящие. Будем заимствовать.

iSmart, статья вода водой и большая ее часть является переводом некоторых абзацев лишь из одной(!) научной работы. А вот из той научной работы можно действительно много всего подцепить на начальном этапе.

Да, и, кстати, данная статья, очевидно, реклама сервиса, который якобы написан выпускниками Физтеха и ВМиК МГУ (ВМиК, блин, да никто с ВМК так не напишет никогда). 162 ставки за 3 месяца (!). Автоматизированная система, которая делает по 50 ставок в месяц это как то не очень, что-ли.
"Валидация модели проводилась на матчах 2015 года." - ну хорошо, за 2015 год можно набрать около 12к матчей, этого вполне достаточно для валидации.
"Результат: 12% ROI за 2015 год" - 12% да это круто. Реально и круто.
"Всего с начала 2015 г по настоящий момент алгоритм дал 452 прогноза, 350 за 2015" - Стоп, что!? 350 ставок. 12% ROI на дистанции 350 ставок со сред. коэф. 1.74 может показать даже жутко отрицательный алгоритм во время апстрика.

И если вы таким образом оптимизировали алгоритм, что он отсекает 97% матчей, чтобы оставаться прибыльным, то, скорее всего у вас проблемы.

Alea, Есть ссылка на оригинальную статью?

iSmart @ 11.10.2016
Alea, Есть ссылка на оригинальную статью?

В статье есть целый список литературы.
11. M. Sipko. Machine Learning for the Prediction of Professional Tennis Matches. Technical report, Imperial College London, London, 2015.

Гугл найдет.

В начале сконцентрируюсь на НХЛ .

Во-первых, мне больше всего нравиться следить за хоккеем.

Во-вторых, сезон стартует завтра.

В-третьих, множество матчей каждый день.

Первым делом надо получить историю коэффициентов. За основу возьмем pinnacle.

Нашел сайт http://scanbet.ru/archive/pinnacle

Достаточно в удобном виде представлены движение коэффициентов, но только с 1 января 2015 г. Для начала хватит, но в дальнейшем придется искать дополнительный источник.

Парсер сделать не проблема, структура страниц представлена в удобном виде.

Набьем базу данных информацией за прошлый сезон.

"Так же если я буду заходить не туда, то сообщество даст дельные советы"

Не, ну раз ты сам говоришь, что сообщество может давать тебе советы, то, пожалуй, я начну

Вообще вот так вот сразу браться за командные виды спорта - это смело. Вроде бы мат модель для командных видов спорта выглядит гораздо сложнее индивидуальных и не факт, что на имеющейся статистике можно построить что-либо, что может давать +.

Это я к тому, что есть более просты виды спорта для построения мат. модели, к примеру Дартс и Снукер. Да, это смолл маркеты, но сейчас, на первом этапе, важно ведь просто попробовать. Дартс я сам занимался, могу подсказать что использовать и где статистику брать. Да и по снукеру тоже знаю где статистику тащить.

iSmart @ 11.10.2016
Блог мне нужен для того, чтобы структурировать полученную информацию. .

В интернетах тебе обязательно структурировать? Пиши как есть цели.

iSmart, Не ну раз решил начать с НХЛ то вперед за продвинутой статистикой.

Так, получилось взять движение коэффициентов за прошлый сезон НХЛ от пинакла.

Коэффициенты делятся на результаты в основное время и с учетом овертайма (П1 П2; Ф1 Ф2; Тотал);

Всего записей в базе: 42918.

Выкладываю дамп MySQL, вдруг кому пригодится.

NHL20151016.zip (593 килобайт) Кол-во скачиваний: 129

Rumomote @ 12.10.2016
iSmart, Не ну раз решил начать с НХЛ то вперед за продвинутой статистикой.

Расширенная статистика это конечно хорошо, но в первом приближение возьму только результаты игр.

Для начала задача сопоставить результаты и коэффициенты, а дальше расширять данные.

Результаты игр беру со sports.ru. Выбор банален. Легкий формат страниц для парсинга.

получается, цель - кибер для валуев, так? собрать и отобрать не так сложно вроде, я далеко не прогер, но интересовался, а вот фильтры и алгоритмы проест мозг, если уже руками получалось делать, но просто времязатратно, то годно, если нет модели игры, то я чет не очень понял, зачем собирать данные и их отбирать, для чего?)

Ну и дамп с результатами игр.

NHL20152016.zip (609 килобайт) Кол-во скачиваний: 125

alcofriend22 @ 19.10.2016
получается, цель - кибер для валуев, так? собрать и отобрать не так сложно вроде, я далеко не прогер, но интересовался, а вот фильтры и алгоритмы проест мозг, если уже руками получалось делать, но просто времязатратно, то годно, если нет модели игры, то я чет не очень понял, зачем собирать данные и их отбирать, для чего?)

Иду от простого сложного. Сначала получаем данные, потом их структурируем, дальше строим модели и алгоритмы

Сразу откидываю идеи делать алгоритмы вида: последовательность событий приводит к определенному результату.

Например на главной джипситим была статья: https://www.gipsyteam.online/news/5271-sport-i-stavki-5-18-oktyabrya

В ней расписывался алгоритм "фактор выездной серии". Автор сделал вывод, что при таком подходе можно играть в плюс.

У всех БК есть программное обеспечение, которое может рассчитать такие стратегии. Даже не стратегии, а вероятные исходы. Так, что такие стратегии дают плюс на удачу. Либо плюс на прошлых результатах. Подогнать несложно.

Я думаю, что на дистанции это явный минус.

Надо копать в другую сторону. В какую? Это вопрос ...

iSmart @ 20.10.2016
Так, что такие стратегии дают плюс на удачу. Либо плюс на прошлых результатах. Подогнать несложно.

так все просто. Надо просто понимать какое кол-во матчей должно быть в тестирующей выборке, чтобы можно было считать итог достоверным.

У меня есть материал для тебя, напиши почту куда отправить.