Кратък отговор: Системите за спортни залози са правила за оценяване на резултати, подбор на коефициенти, определяне на размера на залога или комбиниране на селекции. Това са различни задачи. Само по себе си правилото за размера на залога не може да превърне селекции с отрицателна очаквана стойност в процес с положителна очаквана стойност при същите коефициенти и условни вероятности. Статистическите модели могат да бъдат проверявани, но историческата печалба не доказва трайно предимство. Полезните въпроси са какви допускания прави системата, как нейните вероятности се съпоставят с наличните коефициенти и дали резултатите ѝ се запазват при реалистична проверка върху неизползвани досега данни.
Това ръководство отделя математиката от рекламните твърдения. То обяснява основните видове системи, показва изчисленията и описва как биха изглеждали убедителни доказателства. Текстът е образователен обзор на ABV Tips — издател на спортни прогнози с търговски интерес към темата. Той не е независимо проверено изследване, препоръка за участие в залози или твърдение, че някоя система гарантира печалба.
Освен ако не е уточнено друго, примерите използват хипотетични десетични коефициенти, залози в условни единици и два начина на уреждане: пълна печалба или пълна загуба. Изплатената сума включва първоначалния залог; нетната печалба го изключва. Реалните пазари могат да включват равенства, връщане на залога, частично уреждане, комисиони, данъци и други условия, които променят сметките. Примерите обясняват механизми, а не прогнозират постижима доходност.
Какво означава „система за спортни залози“?
Изразът се използва за няколко различни неща, които трябва да се оценяват поотделно.
| Вид система | На какъв въпрос отговаря | Примери | Основно ограничение |
|---|---|---|---|
| Прогнозен модел | Колко вероятен е всеки изход? | Модели на Поасон, рейтинги, логистична регресия, машинно обучение | Оценените вероятности могат да са грешни или да остареят |
| Правило за подбор | Кои налични коефициенти изпълняват определен критерий? | Праг за сравняване на моделната вероятност с предлагания коефициент | Прагът е полезен само ако вероятностите и коефициентите са достоверни |
| Правило за размера на залога | Каква сума е изложена на риск при всяка селекция? | Фиксиран залог, постоянен процент, Кели, прогресии след загуби | Промяната на размера не доказва предимство |
| Комбинационна структура | Как се групират няколко селекции? | Акумулатори, двойки, всички комбинации от даден размер, системни залози | Значение имат съвместните вероятности и общата експозиция |
| Процес на изпълнение | Може ли отчетената възможност действително да бъде използвана? | Записване на коефициенти с точен час, правила за уреждане, ограничения на експозицията | Теоретичният резултат може да не се запази при реално изпълнение |
Един цялостен процес може да съдържа и петте компонента. Определението „базиран на данни“ не казва много за това дали всеки от тях работи. Сложен прогнозен модел може да бъде съчетан с опасно правило за залозите; предпазливо правило за размера им може да бъде съчетано с неточен модел.
Има и терминологична уловка. Системен залог може да означава набор от по-малки комбинации, например всички двойки от четири селекции. Това е структура на залозите, а не непременно статистическа система за откриване на изгодни коефициенти.
Научната литература дава конкретни примери за разграничението. Диксън и Коулс разработват модел за футболни резултати и изследват стратегия за залози, изведена от него. Работата на Кели разглежда разпределянето на капитал при зададени вероятности и изплащания. Въпросите са свързани, но не са взаимозаменяеми. Dixon and Coles, 1997; Kelly, 1956.
Основната математика: вероятност, коефициент и очаквана стойност
Десетични коефициенти и вероятност за излизане на нула
При десетичен коефициент d печеливш залог от една единица връща d единици, включително първоначалната единица. Нетната печалба е d − 1. Губещият залог води до загуба на една единица.
Ако истинската вероятност за успех е p, очакваната нетна печалба за единица залог е:
EV = p × (d − 1) − (1 − p) = p × d − 1
„Очаквана“ означава средна стойност, претеглена с вероятностите, а не какво ще донесе следващата селекция. При това просто уреждане вероятността за излизане на нула е:
p_break-even = 1 / d
При коефициент 1.90 тя е приблизително 52.63%. Успеваемост от 50% при този коефициент води до средна загуба, въпреки че печалбите и загубите се случват еднакво често.
Една и съща прогноза може да е изгодна при един коефициент и неизгодна при друг
Да приемем, че модел оценява вероятността даден изход да настъпи на 55%. Това е допускане за примера, а не установена истинска вероятност.
| Десетичен коефициент | Допусната вероятност за успех | Очаквана нетна печалба за единица | Тълкуване при това допускане |
|---|---|---|---|
| 1.70 | 55% | −0.065 единици | −6.5% очаквана доходност върху залога |
| 1.80 | 55% | −0.010 единици | −1.0% очаквана доходност върху залога |
| 1.90 | 55% | +0.045 единици | +4.5% очаквана доходност върху залога |
| 2.00 | 55% | +0.100 единици | +10.0% очаквана доходност върху залога |
Таблицата не установява печеливша възможност. Тя показва защо селекцията не може да се оценява без коефициента. Ако оценката от 55% е завишена, привидното предимство може да изчезне.
Това обяснява и защо високата успеваемост не е достатъчна. Система, която познава 70% от селекциите при коефициент 1.30, има очаквана печалба 0.70 × 1.30 − 1 = −0.09, тоест −9% за единица залог. Система с по-малко познати селекции може да има по-добра доходност, ако успешните ѝ селекции се изплащат при достатъчно по-високи коефициенти.
Връщането на залога и частичното уреждане изискват отделни вероятности
Ако залогът може да бъде печеливш, върнат или губещ, използвай вероятностите и на трите изхода. При пълно връщане на залога формулата е:
EV = p_win × (d − 1) − p_loss
Върнатият залог допринася с нулева нетна печалба. Половин печалба или половин загуба се включва с действителната си частична стойност. Свеждането на тези уреждания до прост етикет „печеливш/губещ“ може да изкриви както очакваната стойност, така и статистиката за резултатите.
Нашето ръководство за азиатски хендикап (на английски) обяснява начините на уреждане. Важното тук е математическият модел да отговаря на действителните условия на залога.
Коефициентите включват марж, а не готов набор от истински вероятности
За пазар с взаимно изключващи се изходи, които покриват всички възможности, и десетични коефициенти d₁, d₂, …, изчисли непосредствено следващите от тях вероятности qᵢ = 1 / dᵢ.
Сумата им често е по-голяма от единица. Надвишението над единица се нарича овърраунд — надвишение на сбора на подразбиращите се вероятности над 100%:
overround = Σ(1 / dᵢ) − 1
Например нека хипотетичен пазар с два изхода предлага коефициент 1.90 и за двата. Подразбиращите се вероятности са 52.63% и 52.63%, общо 105.26%. Овърраундът е приблизително 5.26 процентни пункта.
Ако изходите действително са еднакво вероятни, очакваната загуба за всяка селекция е 5% от залога: 0.50 × 1.90 − 1 = −0.05. Обърни внимание, че 5.26% овърраунд и 5% очаквана загуба са различни величини. Овърраундът не е автоматично реализираният процент печалба на оператора или очакваната загуба при всяка възможна селекция.
Премахването на овърраунда е избор на метод за оценка
Често използвано първо приближение разделя всяка подразбираща се вероятност на общия им сбор:
pᵢ_normalised = qᵢ / Σqⱼ
Получават се вероятности със сбор единица, но методът предполага конкретно разпределение на маржа. Той не разкрива истинските вероятности. Други методи правят различни допускания за изкривяването на коефициентите, включително различия между фаворити и малко вероятни изходи.
Щрумбел изследва методи за извеждане на вероятностни прогнози от коефициенти за залози. Практическият извод е, че „справедлива вероятност“, получена от пазар, трябва да бъде обозначена като оценка по конкретен метод. Тя не е наблюдаван факт. Štrumbelj, 2014.
Защо пазарните коефициенти са полезен ориентир, но не са безпогрешни
Коефициентите обединяват информация и търговски решения. Те могат да отразяват прогнозни умения, предпочитания на клиентите, поета експозиция и пазарна конкуренция. Не трябва да се приема нито че са напълно точни, нито че механично се променят, за да изравнят сумите върху всички изходи.
Изследването на Левит върху конкретен набор от данни за залози на американски футбол открива доказателства за съзнателно поемане на експозиция и използване на систематични пристрастия на участниците. То оспорва опростеното обяснение „операторът винаги балансира залозите“. Резултатите описват изследваните пазар и период, а не всеки спорт, оператор или съвременен пазар. Levitt, 2004.
Прогнозни системи: какво всъщност оценяват моделите
Рейтинги и регресия
Рейтинговите модели обобщават относителната сила на отбори или състезатели. Регресионните модели свързват входни показатели, например оценена сила и домакинско предимство, с резултат или вероятностно разпределение.
Видът регресия трябва да съответства на целта. Логистичната регресия може да моделира двоичен резултат; мултиномиални модели могат да представят няколко категории резултати; модели за брой събития могат да представят голове или точки. Обикновената линейна регресия е един инструмент, а не универсалното решение за всеки спортен резултат.
Прогнозната полезност също се различава от причинно-следствената връзка. Една променлива може да подобри прогнозата, без да е доказано, че причинява резултата. Обратно, правдоподобното обяснение за причинност не доказва, че променливата добавя прогнозна информация отвъд вече отразеното в коефициента.
Футболни модели на Поасон и Диксън–Коулс
Базовият модел на Поасон разглежда броя голове на един отбор като случайна величина със средна очаквана стойност, често означавана с λ:
P(G = k) = exp(−λ) × λ^k / k!
Тук k е неотрицателен брой голове, а k! е неговият факториел. При модел за резултатите на двата отбора вероятностите за отделните точни резултати могат да се сумират до вероятности за домакинска победа, равенство, победа на госта или общ брой голове.
За илюстрация: ако модел с независими разпределения на Поасон задава очаквани голове 1.5 за домакина и 1.0 за госта, вероятността за 0–0 според него е:
P(0–0) = exp(−1.5) × exp(−1.0) = exp(−2.5) ≈ 8.21%
Това число следва от допуснатия модел. То не доказва, че реален мач има такава вероятност. Сред ограниченията са промените в силата на отборите и зависимостта между процесите на отбелязване на голове.
Статията на Диксън и Коулс от 1997 г. разработва подход за футболни резултати, основан на Поасонова регресия, който отчита динамиката на представянето на отборите, и проверява изведена от него стратегия с исторически коефициенти. Отчетената историческа доходност е доказателство за модела и извадката в конкретното изследване. Тя не установява, че същият подход ще носи положителна доходност при днешните коефициенти. Dixon and Coles, 1997.
Машинното обучение променя вида на модела, но не отменя нуждата от доказателства
Ансамбли от дървета, невронни мрежи и други гъвкави методи могат да представят сложни зависимости. Те могат и да напаснат случаен шум, да използват неволно изтичане на информация или да се представят добре върху тестов набор, който незабелязано е повлиял на разработката.
Модел с повече променливи не е непременно по-добър оценител на вероятности. Представянето му зависи от качеството на данните, определението на целевата променлива, регуляризацията, начина на проверка и промените в самия спорт. Принципите за избор и оценяване на модели са подробно разгледани в The Elements of Statistical Learning. Hastie, Tibshirani and Friedman, 2009.
За всеки модел попитай каква информация е била налична в момента на прогнозата. Прогноза „преди мача“, изготвена с действителния стартов състав, не е съпоставима с коефициент, записан преди обявяването на състава.
Правила за подбор: прогнозата е само един от входните елементи
Правилото за подбор превръща вероятностите и наличните коефициенти в предварително определено решение. Например аналитично правило може да отбелязва за допълнителен преглед селекции, чиято оценена очаквана стойност надвишава даден праг.
Този праг не може да поправи лошо калибриран модел. Ако моделът систематично надценява вероятността за даден изход, подборът на най-големите му привидни предимства може да концентрира експозицията именно в най-големите му грешки.
Прозрачният запис трябва да разграничава:
- Вероятността според модела, преди резултатът да е бил известен.
- Коефициента, наличен в същия момент на вземане на решение.
- Изчислението, с което се сравняват вероятността и коефициентът.
- Правилото за включване или изключване.
- Начина на обработване на недостъпни коефициенти, променени пазари и анулирани залози.
Тези подробности са по-важни от етикет като „система за стойност“. За по-кратко въведение виж нашето ръководство за залози с положителна очаквана стойност (на английски).
Системи за размера на залога: управлението на експозицията е отделна задача
Фиксиран залог
При фиксиран залог се използва една и съща номинална сума за всяка селекция. Една единица остава една единица независимо дали предишната селекция е била печеливша или губеща.
Основната аналитична полза е съпоставимостта. Резултатите са по-слабо повлияни от решение да се увеличи експозицията точно преди успешна серия. Фиксираната номинална единица обаче става по-голям дял от намаляващ баланс и по-малък дял от растящ баланс.
Фиксираният залог не установява положителна очаквана стойност. Той просто определя един компонент на процеса.
Постоянен процент от текущата банка
Правилото за постоянен процент излага на риск определен дял от текущия баланс. При 2% и банка от 100 единици залогът е две единици; след загуба и баланс от 98 единици следващият залог е 1.96 единици.
След десет последователни пълни загуби при този процент банката е:
100 × 0.98^10 ≈ 81.71 единици
Спадът е приблизително 18.29%, вместо 20% при десет загуби с фиксиран залог от две единици. Примерът показва как се променя експозицията; не доказва, че правило от 2% е подходящо или безопасно.
В идеализиран модел с произволно делими залози и дял строго под 100% балансът не достига точно нула след краен брой обичайни загуби. На практика той може да стане неизползваемо малък, минималният залог има значение и големи спадове остават възможни. „Никога не достига математическа нула“ не означава „не може да изчерпи практически бюджета“.
Положителни и отрицателни прогресии
Прогресивните системи променят размера на залога според предишните резултати. Отрицателните прогресии увеличават експозицията след загуби. Положителните я увеличават след печалби, често с правило за връщане към началния размер.
Примери са Мартингейл, Фибоначи, Д'Аламбер и правила от типа Пароли. Последователностите им са различни, но централният въпрос е един: има ли следващата селекция положителна условна очаквана стойност при наличния коефициент и какъв риск добавя размерът на залога?
Последователността от суми не е доказателство, че самите селекции са изгодни.
Защо Мартингейл не премахва основния недостатък
Познатият пример с Мартингейл удвоява залога след всяка загуба и се връща към началния размер след печалба. Стандартната сметка предполага нетна печалба, равна на заложеното, тоест десетичен коефициент 2.00, без разходи или усложнения при уреждането.
При начало от една единица шест последователни губещи залога са:
1 + 2 + 4 + 8 + 16 + 32 = 63 единици
Следващият залог би бил 64 единици. Ако спечели при 2.00, той носи 64 единици нетна печалба, покрива предишните 63 загубени единици и оставя една единица. За поставянето му обаче са необходими още 64 единици след вече загубените 63: общо 127 единици финансов капацитет по този път.
Получават се много възможни цикли с малка печалба и по-рядка, но значително по-голяма загуба, когато ограничение на банката, лимит за залог или правило за спиране прекъсне продължението. Следователно висок процент успешни цикли може да съществува едновременно с неблагоприятен очакван резултат.
Какво се случва при коефициенти под 2.00?
При десетичен коефициент 1.90 простото удвояване не винаги възстановява натрупаните загуби. След загуби от една и две единици печеливш залог от четири единици носи 4 × 0.90 = 3.60 единици нетна печалба и оставя 0.60 единици за цикъла. След загуби от една, две и четири единици печеливш залог от осем носи 7.20 единици и оставя само 0.20 единици. След загуби от една, две, четири и осем единици печеливш залог от 16 носи 14.40 единици срещу вече загубени 15: цикълът остава на загуба от 0.60 единици.
За предварително зададена печалба за цикъла при постоянен коефициент d необходимият следващ залог би бил:
следващ залог = (натрупани загуби + целева печалба) / (d − 1)
При коефициенти под 2.00 необходимата сума за възстановяване нараства по-бързо от познатото удвояване. Освен това се предполага, че нужните размер и коефициент остават достъпни.
Общото обяснение чрез очаквана стойност
Нека размерът sₜ се избира само с информацията, налична преди селекция t. Нека условната ѝ вероятност за успех е pₜ, а десетичният коефициент — dₜ. Условната очаквана нетна печалба е:
E[печалбаₜ | налична информация] = sₜ × (pₜ × dₜ − 1)
Ако pₜ × dₜ − 1 е неположително всеки път, когато се поставя неотрицателен залог, промяната на sₜ не прави тази условна очаквана стойност положителна. За предварително фиксирана крайна последователност или процес с ограничени залози и ограничен времеви хоризонт събирането на очакваните печалби запазва извода. Неограничено „продължаване завинаги“ изисква допълнителни математически условия и не описва крайна банка.
Разсъждението не изисква всички селекции да са независими. То изисква допускането за условната очаквана стойност да е изпълнено спрямо информацията, използвана за размера на залога. Ако съществена информация действително се промени, вероятността трябва да бъде преоценена; само поредицата от загуби не е доказателство, че вече „е ред“ на печалба.
Правилата за спиране при загуба или печалба могат да променят експозицията, продължителността на сесията и разпределението на резултатите. При същите допускания те не създават положителна очаквана стойност.
Критерият на Кели: цел за растеж с взискателни допускания
Критерият на Кели разпределя капитал така, че да максимизира очаквания логаритмичен растеж на богатството при зададен модел. Оригиналната работа на Кели е публикувана през 1956 г.; по-късни разработки разглеждат приложения в хазарта и финансовите пазари. Kelly, 1956.
За прост залог с пълна печалба или пълна загуба нека:
pе вероятността за успех.q = 1 − pе вероятността за загуба.b = d − 1е нетният коефициент.fе делът от капитала, изложен на риск.
Очакваният логаритмичен растеж за една такава възможност е:
g(f) = p × ln(1 + b × f) + q × ln(1 − f)
Вътрешният оптимум без допълнителни ограничения е:
f* = (b × p − q) / b = (p × d − 1) / (d − 1)
В ситуация, която позволява само залог в подкрепа на селекцията, неположителен резултат означава, че моделът не предвижда положително разпределение към нея. Това не е инструкция за „отрицателен залог“. Трябва да се приложат и останалите ограничения.
Пример с изчисление по Кели
Да приемем коефициент 1.90 и действително правилна вероятност за успех от 55%:
f* = (0.55 × 1.90 − 1) / 0.90 = 0.05
Пълният дял по Кели според този модел е 5%. Половин Кели би бил 2.5%, а четвърт Кели — 1.25%.
Това са резултати от хипотетични допускания, а не препоръчителни лични размери на залог. Пълният Кели може да доведе до големи спадове дори когато вероятностите са правилни. Той максимизира конкретна цел за дългосрочен растеж, а не шанса да бъде позната следващата селекция, да се избегнат загуби или да се покрие краткосрочен разход.
Грешка във вероятността може да обърне изчислението
Нека коефициентът остане 1.90, но истинската вероятност е 52%, вместо 55%. Действителната очаквана доходност за единица е:
0.52 × 1.90 − 1 = −0.012
Привидната възможност вече има очаквана загуба от 1.2%. Прецизно изглеждащ дял по Кели, изчислен с грешна вероятност, не защитава банката.
Частичният Кели намалява експозицията спрямо пълното разпределение по модела, но не превръща селекция с отрицателна очаквана стойност в такава с положителна. За допусканията, вариантите и приложенията на критерия виж разработката на Торп в Handbook of Asset and Liability Management. Thorp, 2008.
Няколко отворени позиции изискват общ поглед към портфейла
Простата формула не обосновава независимо прилагане на пълния дял към всяка едновременна селекция. Няколко позиции могат да зависят от един и същ мач, отбор, първенство или обща грешка на модела.
Портфейлният подход се нуждае от съвместното разпределение на резултатите, момента на уреждане и общата експозиция. Привидно отделни фишове могат да носят един и същ риск. Събирането на индивидуално изчислени залози по Кели може да надцени подходящото общо разпределение.
За по-кратко обяснение на единиците и експозицията виж нашето ръководство за управление на банката (на английски).
Акумулатори, комбинации и системни залози
Акумулаторът обикновено изисква всяка селекция в него да е успешна. Ако всички селекции са независими и уреждането им с пълна печалба или пълна загуба е съвместимо с комбинирания залог:
P(всички печелят) = p₁ × p₂ × … × pₙ
Ако десетичният коефициент на комбинацията е произведението от отделните коефициенти:
d_accumulator = d₁ × d₂ × … × dₙ
Тогава очакваната изплатена сума за единица залог е:
очаквана изплатена сума = ∏(pᵢ × dᵢ)
Да вземем четири независими хипотетични селекции, всяка с вероятност за успех 55% и коефициент 1.80. Всяка единична селекция има очаквана изплатена сума 0.99 единици за единица залог. Акумулаторът с четирите селекции има:
- Вероятност и четирите да са успешни:
0.55^4 ≈ 9.15%. - Десетичен коефициент:
1.80^4 = 10.4976. - Очаквана изплатена сума:
0.99^4 = 0.96059601. - Очаквана нетна доходност: приблизително −3.94% от залога.
По-високото обявено изплащане не доказва по-добра стойност. В този пример комбинирането натрупва недостатъците на отделните селекции.
Независимостта е съществена за това изчисление чрез произведение. Ако селекциите са зависими, съвместната им вероятност трябва да се моделира пряко. Дори благоприятни индивидуални оценки не установяват стойността на общия коефициент без правилни допускания за зависимостите.
Защо броят успешни комбинации може да заблуждава
Система от типа round robin разпределя залога между няколко комбинации. Четири селекции образуват шест различни двойки. При една единица на всяка двойка общият залог е шест единици, а не една.
Ако и четирите независими селекции от примера имат еднакви вероятности и коефициенти, всяка двойка има очаквана изплатена сума 0.99² = 0.9801 за единица залог. Следователно портфейлът от шест двойки има очаквана изплатена сума 6 × 0.9801 = 5.8806 единици при шест заложени — очаквана загуба от 0.1194 единици, или 1.99% от оборота.
Двойките споделят селекции, затова изплащанията им са зависими. Независимост между двойките не е необходима, за да се съберат очакваните им стойности, но зависимостта има голямо значение за изменчивостта на общия резултат.
„Някои комбинации спечелиха“ не е измерител на печалбата. Трябва да се отчетат залогът и уреждането на всеки фиш. Нашето ръководство за акумулатори обяснява основните понятия за изплащането. Коефициента, печалбата и общата вероятност на конкретен фиш можеш да провериш с нашия калкулатор за залози.
Арбитражът и хеджирането се различават от прогнозирането на резултат
При прост пазар с взаимно изключващи се изходи, които покриват всички възможности, набор от действително достъпни коефициенти може да позволи теоретичен арбитраж, когато:
Σ(1 / dᵢ) < 1
Условието описва математическа структура на изплащанията. При реална оценка трябва да се провери дали всички необходими позиции могат да бъдат приети при записаните коефициенти и дали правилата им за уреждане съвпадат. Комисиони, промени на коефициентите, частично приемане, анулиране, ограничения на профилите и риск от неизпълнение от другата страна могат да променят резултата.
Хеджирането означава поемане на друга позиция, която намалява част от съществуващата експозиция. То може да намали конкретен риск и едновременно да намали очакваната печалба или да добави разходи. Нито наличието на хеджиране, нито думата „арбитраж“ прави реалния процес безрисков.
Това ръководство не препоръчва стратегия за изпълнение. Разликата е, че прогнозните системи оценяват несигурни резултати, докато идеалното арбитражно изчисление сравнява пълен набор от договорени изплащания.
Как да провериш система за спортни залози, без да се самозаблуждаваш
Разделяй разработването от оценяването
Проверка върху исторически данни, или backtest, прилага правило към миналото. Тя е полезна само ако процесът спазва какво е можело да се знае и използва в съответния момент.
Един и същ набор от данни не трябва многократно да служи едновременно за генериране на идеи, настройване и уж независимо доказателство. Общата литература за оценяване на модели обяснява защо представянето върху данните за разработка е оптимистично. Изследванията за исторически проверки разглеждат и риска от избор на привидно успешна стратегия сред множество алтернативи. Hastie, Tibshirani and Friedman, 2009; Bailey et al., 2017.
При спортни данни, подредени във времето, проверимата оценка може да използва:
- По-ранен обучаващ период за оценяване на параметрите на модела.
- По-късен период за валидация, в който се избират настройките и праговете за подбор.
- Още по-късен тестов период, който остава неизползван до фиксирането на тези решения.
- Последващ запис в реално време с прогнози, отбелязани с точен час преди събитията.
Проверката с последователно придвижване във времето, или walk-forward testing, повтаря предварително определен процес „обучение, след това тест“. Всяка тестова прогноза трябва да използва само по-ранна информация. Преоценяването на параметрите е допустимо, когато е част от обявената процедура; пренаписването на процедурата след слаб период е нова стъпка на разработване, а не независим тест.
Проверявай за изтичане на информация
Често срещани проблеми са:
- Използване на крайното класиране за сезона при прогнози за по-ранни мачове от същия сезон.
- Използване на коефициента при затваряне на пазара за подбор, който уж е бил направен часове по-рано.
- Включване на информация за контузия, която още не е била публикувана при вземането на решението.
- Разделяне на тясно свързани записи между обучаващ и тестов набор без спазване на времевия ред на събитията.
- Използване на целия набор при предварителна обработка или избор на входни показатели.
Всеки входен показател трябва да има правдоподобен момент на публикуване, а не само дата на събитието. Полезен въпрос при проверка е: можел ли е човек, изготвящ прогнозата в този час, да получи точно тази информация?
Отчитай и неуспешните правила
Ако се проверят 1000 несвързани правила и всяко се оценява при номинален праг от 5% за фалшиво положителен резултат, при обща нулева хипотеза, че никое няма реален ефект, се очакват около 50 фалшиво положителни резултата. Очакваният брой следва от събирането на отделните вероятности за такава грешка; независимост не е необходима за тази очаквана стойност.
Следователно откриването на един привлекателен резултат след голямо търсене се различава от потвърждаване на предварително определено правило. Опиши процеса на търсене, запази неизползван тестов набор и обмисли подходящи методи за множествено тестване или повторно извадково оценяване. Многократното търсене върху тестовия набор го превръща в още един набор за разработване.
Затова сложно правило като „гостуващи отбори в определен ден от седмицата след две загуби“ се нуждае от повече от привлекателен исторически процент познати резултати.
Възстанови реалистично изпълнението и уреждането
Реалистичният запис трябва да посочва източника и точния час на коефициента, определението на пазара, допустимия размер на залога, таксите и уреждането. Липсващите селекции не трябва тихомълком да изчезват, защото резултатът им е неудобен.
Например прогноза, публикувана в 15:00, не може да получи за резултат коефициент, който е бил наличен само в 10:00, освен ако процесът действително го е записал и е можел да го използва тогава. Обявеното максимално изплащане също се различава от реално приета сума при този коефициент.
Документирай правилата за анулиране и частично уреждане, превалутирането, когато е приложимо, и начина на отчитане на едновременната експозиция. Тези допускания определят отчетения резултат.
Измервай вероятностите, финансовите резултати и риска поотделно
Калибрация и правила за оценяване на вероятностни прогнози
При калибрирана прогноза от 60% съответните изходи би трябвало да настъпват приблизително в 60% от случаите в достатъчно информативен набор от съпоставими прогнози. Калибрацията е свойство на група прогнози, а не обещание, че едно събитие ще завърши успешно.
Модел, който предсказва само общата базова честота, може да е калибриран и въпреки това да не носи полезна информация. Оценяването трябва да разглежда както калибрацията, така и полезността на различията между отделните прогнозни вероятности.
Т.нар. proper scoring rules са правила, които оценяват вероятностните прогнози спрямо наблюдаваните резултати и възнаграждават вярното заявяване на вероятностите в очакване. Две често използвани функции на загуба при двоични резултати са:
Brier loss = average[(pᵢ − yᵢ)²]
Log loss = −average[yᵢ × ln(pᵢ) + (1 − yᵢ) × ln(1 − pᵢ)]
Тук yᵢ е единица при успех и нула при неуспех, а average означава средна стойност. При тези определения по-ниската стойност е по-добра. За събития с няколко изхода използвай подходящо многокатегорийно определение и посочи начина на скалиране. Нулева вероятност, зададена на изход, който настъпва, води до неограничена логаритмична загуба.
Обзорът на Гнайтинг и Рафтери обяснява защо подходящите правила за оценяване възнаграждават честната оценка на вероятностите. По-доброто представяне по тези показатели обаче не означава автоматично печалба при действително достъпните коефициенти. Gneiting and Raftery, 2007.
Минимално съдържание на отчет за резултатите
| Показател | Какво описва | Какво не установява |
|---|---|---|
| Успеваемост | Делът на уредените селекции, отчетени като успешни по определено правило | Печалба без коефициенти и подробности за уреждането |
| Нетна печалба | Изплатени суми минус залози и включени разходи | Дали експозицията е разумна и дали резултатите ще се повторят |
| Доходност върху оборота | Нетната печалба, разделена на общата заложена сума | Растеж на първоначалния капитал или статистическа сигурност |
| Максимален спад | Най-големият спад от връх до последващо дъно по определена крива на капитала | Най-голямата загуба, която би могла да настъпи в бъдеще |
| Калибрация и вероятностни оценки | Качеството на прогнозните вероятности | Наличие на достъпен печеливш коефициент |
| Движение на коефициентите или сравнение със затварянето | Как записаните коефициенти се сравняват с по-късен ориентир | Че ориентирът е истинската вероятност или процесът е печеливш |
| Размер на извадката и интервал на неопределеност | Колко доказателства съдържа записът при зададени допускания | Защита от изтичане на информация, пристрастен подбор или промяна на условията |
„ROI“ и „yield“ се използват нееднакво от различни издатели. Отчетът трябва да посочва знаменателя на показателя. Доходност от 5% върху оборота не е непременно 5% доходност върху първоначалната банка, особено когато един и същ капитал се използва многократно.
Спадът също изисква определение: уреден баланс, баланс с включени отворени задължения или капитал, оценен по текущи пазарни цени, могат да дадат различни криви. Плавно изглеждаща графика може да скрива все още неуредена експозиция.
Какво може и какво не може да покаже сравнението с коефициента при затваряне
За един и същ изход и еднакви условия на уреждане получаването на по-висок десетичен коефициент от по-късния коефициент при затваряне е благоприятно пряко сравнение. Този показател, често наричан closing-line value, може да се следи като един от диагностичните признаци.
Коефициентът при затваряне обаче също включва марж, може да е остарял или от пазар с ниска ликвидност и по определение не е истинската вероятност. Сериозното сравнение трябва да посочва пазара, времето и метода за отстраняване на маржа. Последователното получаване на по-добри коефициенти е полезна информация за изпълнението, но не е самостоятелно доказателство за положителна очаквана стойност.
Колко доказателства са достатъчни?
Няма универсален минимален брой залози, след който една система става доказана. Отговорът зависи от предполагаемото предимство, изменчивостта на изплащанията, зависимостта между селекциите, избора на модел и необходимата точност.
Да разгледаме 1000 независими хипотетични селекции с пълна печалба или пълна загуба, всяка при коефициент 1.90, с 550 успеха и 450 неуспеха при една единица залог. Нетната печалба е:
550 × 0.90 − 450 = 45 единици
Доходността върху оборота е 4.5%. Наблюдаваната успеваемост е 55%. При прост биномиален модел с независими опити и обща вероятност за успех приблизителният 95% интервал за тази вероятност, получен с нормално приближение, е:
0.55 ± 1.96 × sqrt(0.55 × 0.45 / 1000)
Той е приблизително от 51.9% до 58.1%. Вероятността за излизане на нула от 52.63% попада вътре. Следователно само наблюдаваната печалба не изключва действителна вероятност за успех на нивото за излизане на нула при това приблизително ниво на интервала.
Изчислението е илюстративно, а не пълен тест на реална история. Променливи коефициенти, общи мачове, променящо се качество на селекциите, адаптивни правила и предходни търсения изискват по-подходящ модел. Интервалът на неопределеност не може да поправи набор от данни, избран след като резултатите му вече са известни.
Дори силни исторически доказателства подкрепят твърдение за проверените процес и среда. Промени в отборите, програмата, източниците на данни, коефициентите и конкуренцията могат да отслабят предимството. Продължаващото оценяване на системата е част от нейното определение, а не пожелателно допълнение.
Практически въпроси за оценяване на заявена система
Преди да приемеш твърдение за резултати за съдържателно, провери дали то отговаря на следните въпроси:
- Какво представлява системата? Разграничи прогнозата, правилото за подбор, правилото за размера на залога и процеса на изпълнение.
- Каква информация е използвана? Изисквай момент на прогнозата и входни данни, които действително са били достъпни тогава.
- Къде са вероятностите? Списъкът с успешни селекции не е вероятностен модел.
- Кои коефициенти са били налични? Изисквай записани в съответния момент, реалистично достъпни коефициенти.
- Какво е проверено? Посочи периодите за разработка, неизползваните тестови периоди и всички последващи промени на правилата.
- Колко голямо е било търсенето? Включвай изоставените варианти и неуспешните опити в изследователския запис.
- Какво влиза в печалбата? Отчитай последователно всеки залог, загуба, такса, анулиране и частично уреждане.
- Какъв риск е поет? Отчитай спада, отворената експозиция и чувствителността към грешки във вероятностите.
- Колко несигурни са резултатите? Използвай методи, съобразени с коефициентите и структурата на зависимостите.
- Кой има полза от твърдението? Разграничавай независимата оценка от рекламата на самия издател.
Предупредителни признаци са обещания за гарантиран доход, прогресия за възстановяване на загуби, представена като математическо предимство, снимки на резултати без пълна история и резултати, които не могат да бъдат възпроизведени от запис с точни времена.
Решението да не се участва в залози не изисква статистическо оправдание. Един модел може да бъде интересен като упражнение по прогнозиране, без да е подходящ за поемане на финансов риск.
Често задавани въпроси
Може ли система за спортни залози да гарантира печалба?
Прогнозен модел или система за размера на залога не може да гарантира изхода на несигурни събития. Идеално арбитражно изчисление може да описва фиксирано изплащане при своите допускания, но рисковете на действителното изпълнение, уреждането и насрещната страна остават за оценяване. Гаранцията в рекламно твърдение не е доказателство.
По-безопасен ли е Мартингейл, защото повечето цикли могат да приключват с малка печалба?
Честотата на печелившите цикли пропуска размера на губещите. Прогресиите могат да заменят много малки печалби с по-малка вероятност за голяма загуба. При крайна банка и лимити възстановяването не е гарантирано; под десетичен коефициент 2.00 се променя и обичайната сметка с удвояването.
Критерият на Кели система за прогнози ли е?
Не. Той е критерий за разпределяне на капитал при зададени вероятности, изплащания и цел. Не предоставя самите вероятности и не проверява дали моделът има предимство. Грешните вероятности и зависимите позиции могат да направят привидно точното разпределение неподходящо.
По-високата успеваемост означава ли по-добра система?
Не и без коефициентите, размерите на залозите, разходите и риска. Висока успеваемост при ниски коефициенти може да води до загуба. Качеството на вероятностите и стойността на коефициента трябва да се измерват отделно от обикновения процент познати прогнози.
Може ли печеливша историческа проверка да обоснове твърдение за трайно предимство?
Тя може да мотивира допълнително изследване, но не установява устойчивост. Изтичане на информация, множествено тестване, недостъпни коефициенти и променяща се среда могат да обяснят привидната печалба. Независимите тестови периоди и пълният последващ запис дават по-силни доказателства, при запазваща се неопределеност.
Системните залози същото ли са като система за залози?
Не непременно. Системният залог често означава пакет от комбинации от няколко селекции. Той променя разпределението на залозите и изплащанията. Сам по себе си не подобрява вероятностите и не установява положителна очаквана стойност.
Източници и обхват на доказателствата
Следващите източници подкрепят конкретни математически понятия, модели или методи за оценяване. Никой от тях не установява, че ABV Tips или друга съвременна търговска услуга разполага с печеливша система. Историческите изследвания трябва да се четат в контекста на собствените им данни, допускания и дати на публикуване.
- Kelly, J. L., Jr. (1956). „A New Interpretation of Information Rate.“ Bell System Technical Journal, 35(4), 917–926. DOI: 10.1002/j.1538-7305.1956.tb03809.x. Оригинална разработка за връзката между информацията и растежа на капитала при зададен модел на залагане. Публично достъпно копие, съхранявано от Princeton.
- Thorp, E. O. (2008). „The Kelly Criterion in Blackjack Sports Betting, and the Stock Market.“ В Handbook of Asset and Liability Management, 385–428. DOI: 10.1016/B978-044453248-0.50015-0. По-късно изложение на критерия, приложенията и практическите съображения. Разпространяват се и по-ранен ръкопис, и по-късни преиздания; датата тук обозначава цитираното издание на наръчника.
- Dixon, M. J., and Coles, S. G. (1997). „Modelling Association Football Scores and Inefficiencies in the Football Betting Market.“ Journal of the Royal Statistical Society: Series C (Applied Statistics), 46(2), 265–280. DOI: 10.1111/1467-9876.00065. Моделиране на футболни резултати и историческа проверка на изведена от модела стратегия за залози. Запис в Lancaster University.
- Štrumbelj, E. (2014). „On Determining Probability Forecasts from Betting Odds.“ International Journal of Forecasting, 30(4), 934–943. DOI: 10.1016/j.ijforecast.2014.02.008. Методи за извеждане на вероятности от публикувани коефициенти и значение на избраната корекция.
- Levitt, S. D. (2004). „Why Are Gambling Markets Organised So Differently from Financial Markets?“ The Economic Journal, 114(495), 223–246. DOI: 10.1111/j.1468-0297.2004.00207.x. Емпиричен анализ на ценообразуването, поведението на участниците и експозицията на операторите в изследвания пазар. Авторско копие в University of Chicago.
- Gneiting, T., and Raftery, A. E. (2007). „Strictly Proper Scoring Rules, Prediction, and Estimation.“ Journal of the American Statistical Association, 102(477), 359–378. DOI: 10.1198/016214506000001437. Обзор и развитие на правила за оценяване на вероятностни прогнози, които възнаграждават вярното заявяване на вероятностите в очакване. Авторско копие в University of Washington.
- Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, второ издание. Springer. DOI: 10.1007/978-0-387-84858-7. Общ източник за статистическо обучение, сложност на моделите, оценяване и избор на модел. Уебсайт на книгата, поддържан от авторите.
- Bailey, D. H., Borwein, J. M., López de Prado, M., and Zhu, Q. J. (2017; първо онлайн публикуване през 2016). „The Probability of Backtest Overfitting.“ The Journal of Computational Finance, 20(4), 39–69. DOI: 10.21314/JCF.2016.322. Подбор на стратегии след исторически проверки и прекомерно напасване във финансови изследвания; цитира се за общия проблем на оценяването, а не като емпирична проверка на спортни прогнози. По-ранен ръкопис, публикуван от автора.
Редакционна бележка за изчисленията: Числовите примери са създадени за това обяснение и следват допусканията, посочени до тях. Те не са наблюдавани резултати, независимо открити пазарни неефективности или ново академично изследване. Текстът е оригинален обзор и не възпроизвежда формулировките на Wikipedia. Достъпността на източниците е различна: DOI или университетски запис може да предоставя библиографски данни и резюме, без свободен достъп до пълния текст.
18+ и финансов риск: Спортните залози могат да причинят финансови вреди. Миналите резултати не гарантират бъдещи резултати. Никое правило за размера на залога не прави непосилните загуби приемливи. Ако хазартът създава тревоги, спри и потърси подкрепа чрез Gambling Therapy — международна услуга за помощ.