Аннотация

BetBox — метод коллективного интеллекта для азартных игр на спорт,
обеспечивающий точную оценку вероятности исходов игр. Этот метод учится на коллективном интеллекте, предоставляемом онлайн-букмекерами, чтобы делать ставки против самого слабого предсказателя. Более того, благодаря критерию Келли,
он оптимизирует распределение ставок по нескольким онлайн-букмекерам, чтобы максимизировать маржу выигрыша и минимизировать риск проигрыша.
Этот технический документ предназначен для представления BetBox с помощью результатов проверки, полученных для некоторых тематических исследований.

Введение

Массовое присутствие онлайн-сервисов азартных игр ежедневно генерирует большие и доступные базы данных вероятностей исходов спортивных событий.
Существующее разнообразие оценок качества, предоставляемое различными букмекерскими конторами,
означает прекрасную возможность для разработки инновационных и более точных
игровых стратегий. Искусственный интеллект играет решающую роль в этой игре.
В современных азартных играх алгоритмы машинного обучения широко используются для
увеличения вероятности попадания прогноза. Эти методы в основном используют историческую
информацию о спорте, командах, лигах и статистике спортсменов.
С другой стороны, финансовые усилия, предпринимаемые букмекерскими конторами для
увеличения их прогностической способности, совершенно не соответствуют действительности. охватывают
средних игроков.
BetBox решает точно такую ​​же проблему прогнозирования с совершенно другой точки зрения. Инновационность этого метода заключается в его способности использовать прогностические возможности каждой отдельной букмекерской конторы и, наконец, играть с самым слабым оценщиком. Как мета-предиктор, он построен на множестве методов машинного обучения, обученных историческим коэффициентам букмекерских контор и соответствующим окончательным результатам. Далее будет предоставлено доказательство надежности Beatbox путем сравнения его прогностической способности с другими онлайн-букмекерскими конторами. Детали алгоритма в этом документе не раскрываются.

2. Оптимальная стратегия ставок

Математическая задача игрока против букмекера моделируется уравнением удвоения ставки, т.е.

W = D(r∥p) − D(b∥p) (1)

где p представляет собой реальное распределение вероятности, связанное с возможными исходами
для данного спортивного события, а r и b — ожидаемые вероятностные
распределения, оцениваемые соответственно букмекером и игроком.
Предыдущее уравнение представляет разницу в знаниях между игроком и букмекером с точки зрения расхождения Кульбака-Лейблера.
Согласно критерию Келли [1], оптимальные условия игры наступают, когда ставка удвоения максимальна. В этом случае игрок превосходит уровень знаний букмекера в отношении p. В реальной жизни это условие никогда не выполняется. Гипотетический игрок, убежденный в правдивости своего ожидания, обычно хочет максимизировать член D(r∥p) из уравнения (1), выбирая букмекера, связанного с более высоким расхождением с р. В долгосрочной перспективе эта стратегия почти наверняка приведет игрока к разорению, поскольку букмекерская контора использует более надежные методы оценки. С математической точки зрения это условие представлено неравенством D(r∥p) ‹D(b∥p), которое выполняется в среднем для любой букмекерской конторы.
В настоящее время это неравенство еще сильнее благодаря работе опытных
аналитиков и широкому использованию инструментов интеллектуального анализа данных. Инновация BetBox заключается в том, что игрок может использовать знания букмекеров, полученные с помощью D(r∥p), для оценки b таким образом, чтобы максимизировать коэффициент удвоения для оптимального азартное состояние.

3 Архитектура решения

Архитектура, принятая BetBox, основана на следующих четырех уровнях
последовательной структуры. Первые два слоя классификации состоят из простого слоя классификации поверх метаклассификатора Adaboost [2]. Третий — слой выбора азартных игр на основе критерия Марковица [3], который уравновешивает шанс реализации с количеством игровых событий. Такая методология позволяет установить уровень риска различных боксов, который оценивается с точки зрения разницы вероятности, измеренной алгоритмом, по сравнению с вероятностью, предложенной букмекерской конторой с наихудшей предсказательной силой. Наконец, согласно критерию Келли, последний слой оптимально распределяет часть вложенного бюджета между игорными событиями. Такой шаг позволяет минимизировать риск, с точки зрения суммы ставки. Выбор двух уровней классификации позволяет избежать проблем переобучения, с которыми можно столкнуться при использовании классических алгоритмов Adaboost. Кроме того, многоуровневая архитектура снижает числовую сложность задачи с последующим улучшением производительности. Наконец, учитывая асимметрию функции стоимости проблемы
из-за более высокой стоимости ложноположительных случаев, алгоритм рассчитан на достижение высокой доли истинных положительных результатов, а не высокой глобальной производительности. Относительный вес, связанный с первыми двумя уровнями метаклассификации, устанавливается в соответствии со значением, предполагаемым параметром производительности.
По этой причине неэффективные классификаторы отбрасываются в пользу
наиболее эффективных классификаторов, которые распределяются на первый уровень архитектуры.
Более того, один и тот же простой учащийся не используется на обеих фазах метаклассификатора, чтобы избежать дисбаланса adaboost в пользу слабого учащегося.

4 результата

Синтетические сценарии, включенные в этот раздел, брали в качестве ориентира исходы двенадцати чемпионатов Европы по футболу сезона 2016/2017 и коэффициенты набора десяти европейских букмекеров.
Чтобы оценить количество ставок, предложенных BetBox и последующая денежная прибыль, моделирование, показанное на рисунке 1, было выполнено.

На рисунке 1 выделены три зоны:
A: Низкое количество игровых событий и высокий доход → Высокая волатильность
и высокий риск
B: Среднее количество игровых событий и высокий доход → Средний < br /> Волатильность и средний риск
C: Высокое количество азартных игр и низкий доход → Низкая волатильность
и низкий риск

Результаты показаны с точки зрения конуса Ибботсона, основанного на инвестиционной стратегии (в смысле Марковица) со 100% лучшим результатом и 50% худшим результатом. Используя прогнозы букмекеров в качестве источников для алгоритма, наилучшие результаты достигаются в случае хорошо обученных данных и стабильных и предсказуемых соревнований.
В свою очередь, пик результативности метода приходится на середину чемпионата. Несмотря на то, что BetBox реализует стратегию с низким уровнем риска с высокой ежедневной ставкой, представлены синтетические сценарии, связанные со стратегией с более высоким риском. Для политики неразглашения показанные результаты представлены только в виде кривых без точного указания задействованных параметров.

5 Заключение

Внедряя концепцию Бетбоксов как набора ставок с фиксированным уровнем риска и волатильности, мы разработали первые три бокса, ранее описанные как A, B и C, в качестве первого шага нашей инвестиционной платформы. В настоящее время мы работаем над тем же набором из трех уровней риска для других видов спорта, других футбольных чемпионатов и других типов ставок (больше/меньше, азиатские гандикапы), чтобы создать полный набор финансовых инструментов/инструментов для ставок.

Ссылки

  1. Дж. Л. Келли. Новая интерпретация скорости информации. Теория информации, IRE Transactions on, 2(3):185 189, 1956.
  2. Йоав Фройнд, Роберт Шапир и Наоки Абэ. Коротко о бустинге. Журнал Японского общества искусственного интеллекта, 14(771-780):1612, 1999.
  3. Х. Марковиц. Выбор портфолио. Журнал финансов, (7): 77 91, 1952.