Takwimu

Mifumo ya Kubashiri Michezo: Modeli, Kiasi cha Dau na Ushahidi

Katika ukurasa huu
  1. “Mfumo wa kubashiri michezo” una maana gani?
  2. Hisabati ya msingi: uwezekano, bei na thamani inayotarajiwa
  3. Odds zina margin, si seti iliyo tayari ya uwezekano halisi
  4. Mifumo ya utabiri: modeli zinakadiria nini hasa
  5. Kanuni za uchaguzi: utabiri ni pembejeo moja tu
  6. Mifumo ya kiasi cha dau: kudhibiti hatari ni kazi tofauti
  7. Kwa nini Martingale haiondoi hasara ya msingi
  8. Kelly criterion: lengo la ukuaji lenye dhana ngumu
  9. Mikeka (accumulators), round robin na system bets
  10. Arbitrage na hedging ni tofauti na kutabiri matokeo
  11. Jinsi ya kujaribu mfumo wa kubashiri michezo bila kujidanganya
  12. Pima uwezekano, matokeo ya kifedha na hatari kila kimoja peke yake
  13. Ushahidi kiasi gani unatosha?
  14. Orodha ya vitendo ya kutathmini mfumo unaodaiwa
  15. Maswali yanayoulizwa mara kwa mara
  16. Marejeo na upeo wa ushahidi

Jibu fupi: Mifumo ya kubashiri michezo ni kanuni za kukadiria matokeo, kuchagua bei (odds), kupanga kiasi cha dau au kuunganisha machaguo. Hizi ni kazi tofauti. Kanuni ya kiasi cha dau, peke yake, haiwezi kugeuza machaguo yenye thamani inayotarajiwa (EV) hasi kuwa mchakato wenye thamani inayotarajiwa chanya chini ya odds zilezile na uwezekano uleule wa masharti. Modeli za takwimu zinaweza kujaribiwa, lakini faida ya kihistoria si uthibitisho wa faida ya kudumu. Maswali yenye manufaa ni: mfumo unadhani nini, uwezekano wake unalinganaje na bei zilizopo, na je, matokeo yake yanastahimili majaribio halisi kwenye data ambayo haijawahi kuonekana awali?

Mwongozo huu unatenganisha hisabati na matangazo ya kibiashara. Unaeleza aina kuu za mifumo, unafanya hesabu hatua kwa hatua, na unaeleza ushahidi wa kuaminika ungeonekanaje. Ni muhtasari wa kielimu ulioandaliwa na ABV Tips, mchapishaji wa utabiri wa michezo mwenye maslahi ya kibiashara katika mada hii. Si utafiti uliokaguliwa na upande huru, si pendekezo la kubashiri, wala si dai kwamba mfumo wowote unahakikisha faida.

Isipoelezwa vinginevyo, mifano inatumia odds za desimali za kubuni, madau katika vipimo (units) visivyo na thamani maalum, na madau yenye matokeo mawili ya malipo: ushindi kamili au hasara kamili. Marejesho yanajumuisha dau la awali; faida haijumuishi dau hilo. Masoko halisi yanaweza kuwa na sare, madau kurudishwa (push), malipo ya sehemu, kamisheni, kodi na masharti mengine yanayobadilisha hesabu. Mifano inaonyesha jinsi mambo yanavyofanya kazi, si utabiri wa marejesho yanayoweza kupatikana.

“Mfumo wa kubashiri michezo” una maana gani?

Neno hili linatumika kwa mambo kadhaa ambayo yanapaswa kutathminiwa kila moja peke yake.

Aina ya mfumoSwali linalojibiwaMifanoKikwazo kikuu
Modeli ya utabiriKila matokeo yana uwezekano gani?Modeli za Poisson, viwango vya ubora (ratings), logistic regression, machine learningUwezekano uliokadiriwa unaweza kuwa si sahihi au kupitwa na wakati
Kanuni ya uchaguziNi bei zipi zilizopo zinapita kipimo kilichotajwa?Kizingiti kinacholinganisha uwezekano wa modeli na odds zinazotolewaKizingiti kina manufaa tu ikiwa uwezekano na bei zinazotumika zinaaminika
Kanuni ya kiasi cha dauNi kiasi gani kinawekwa hatarini kwa kila chaguo?Dau sawa (flat), sehemu isiyobadilika ya mtaji, Kelly, maendeleo baada ya hasaraKubadilisha ukubwa wa dau hakuthibitishi faida (edge)
Muundo wa kuunganishaMachaguo kadhaa yanafungwaje pamoja?Mkeka (accumulator), doubles, round robin na system betsUwezekano wa pamoja na jumla ya hatari ndivyo vinavyojalisha
Mchakato wa utekelezajiJe, fursa iliyorekodiwa inaweza kupatikana kweli?Kunasa bei pamoja na muda, kanuni za malipo na mipaka ya hatariMatokeo ya kinadharia yanaweza yasistahimili utekelezaji halisi

Mchakato kamili unaweza kuwa na vipengele vyote vitano. Kuuita mchakato “unaoendeshwa na data” kunasema machache kuhusu iwapo kila kipengele kinafanya kazi. Modeli ya utabiri iliyoboreshwa inaweza kuunganishwa na kanuni ya dau isiyo salama; kanuni ya dau ya tahadhari inaweza kuunganishwa na modeli isiyo sahihi.

Kuna pia mtego wa istilahi. System bet inaweza kumaanisha mkusanyiko wa michanganyiko midogo, kama doubles zote kutoka machaguo manne. Huo ni muundo wa dau, si lazima uwe mfumo wa takwimu wa kutambua bei zenye faida.

Machapisho ya kitaaluma yanatoa mifano halisi ya tofauti hii. Dixon na Coles walitengeneza modeli ya matokeo ya mpira wa miguu na kuchunguza mkakati wa kubashiri uliotokana nayo. Kazi ya Kelly inahusu ugawaji wa mtaji chini ya uwezekano na malipo yaliyobainishwa. Haya ni maswali yanayohusiana, lakini hayabadilishani. Dixon and Coles, 1997; Kelly, 1956.

Hisabati ya msingi: uwezekano, bei na thamani inayotarajiwa

Odds za desimali na uwezekano wa kurudisha gharama (break-even)

Kwa odds za desimali d, dau la kipimo kimoja likishinda hurudisha vipimo d, ikiwemo kipimo cha awali. Faida yake halisi ni d − 1. Dau likishindwa hupoteza kipimo kimoja.

Ikiwa uwezekano halisi wa kushinda ni p, faida halisi inayotarajiwa kwa kila kipimo cha dau ni:

EV = p × (d − 1) − (1 − p) = p × d − 1

“Inayotarajiwa” inamaanisha wastani uliopimwa kwa uwezekano, si kile ambacho chaguo linalofuata litarudisha. Uwezekano wa kurudisha gharama kwa malipo haya rahisi ni:

p_break-even = 1 / d

Kwa odds za 1.90, uwezekano wa kurudisha gharama ni takriban 52.63%. Kiwango cha ushindi cha 50% kwa bei hiyo hupoteza pesa kwa wastani, ingawa ushindi na hasara hutokea mara nyingi kwa usawa.

Utabiri uleule unaweza kuvutia kwa bei moja na kutovutia kwa bei nyingine

Tuseme modeli inayapa matokeo fulani nafasi ya 55% ya kushinda. Uwezekano huu ni dhana ya mfano tu; haijathibitishwa kuwa sahihi.

Odds za desimaliUwezekano wa kushinda unaodhaniwaFaida halisi inayotarajiwa kwa kipimoTafsiri chini ya dhana hiyo
1.7055%−0.065 vipimo−6.5% marejesho yanayotarajiwa kwa dau
1.8055%−0.010 vipimo−1.0% marejesho yanayotarajiwa kwa dau
1.9055%+0.045 vipimo+4.5% marejesho yanayotarajiwa kwa dau
2.0055%+0.100 vipimo+10.0% marejesho yanayotarajiwa kwa dau

Jedwali hili halionyeshi fursa yenye faida. Linaonyesha kwa nini chaguo haliwezi kuhukumiwa bila bei. Ikiwa makadirio ya 55% ni ya juu kupita kiasi, faida inayoonekana inaweza kutoweka.

Pia linaeleza kwa nini kiwango kikubwa cha ushindi hakitoshi. Mfumo unaoshinda 70% ya machaguo kwa odds za 1.30 una faida inayotarajiwa ya 0.70 × 1.30 − 1 = −0.09, yaani −9% kwa kila kipimo. Mfumo wenye ushindi mchache unaweza kuwa na marejesho bora ikiwa machaguo yake yanayoshinda yanalipwa kwa bei za juu vya kutosha.

Push na malipo ya sehemu yanahitaji uwezekano wake

Ikiwa dau linaweza kushinda, kurudishwa (push) au kushindwa, tumia uwezekano wa matokeo yote matatu. Kwa dau linalorudishwa kikamilifu likiwa push:

EV = p_win × (d − 1) − p_loss

Push haichangii faida halisi yoyote. Nusu-ushindi au nusu-hasara huchangia malipo yake halisi ya sehemu. Kubana malipo haya kuwa lebo rahisi ya ushindi/hasara kunaweza kupotosha thamani inayotarajiwa na takwimu za utendaji pia.

Mwongozo wetu wa Asian handicap unaeleza jinsi malipo yanavyofanya kazi; hoja muhimu hapa ni kwamba modeli ya kihisabati lazima ilingane na mkataba halisi wa dau.

Odds zina margin, si seti iliyo tayari ya uwezekano halisi

Kwa soko lenye matokeo yasiyoweza kutokea pamoja na yanayojumuisha uwezekano wote, yenye odds za desimali d₁, d₂, …, hesabu uwezekano ghafi unaodokezwa na odds qᵢ = 1 / dᵢ.

Jumla yake mara nyingi huzidi moja. Ziada juu ya moja inaitwa overround (faida ya bookmaker iliyojengwa ndani ya odds):

overround = Σ(1 / dᵢ) − 1

Kwa mfano, fikiria soko la kubuni lenye matokeo mawili linalotoa 1.90 kwa kila upande. Uwezekano ghafi unaodokezwa ni 52.63% na 52.63%, jumla 105.26%. Overround yake ni takriban asilimia 5.26 (percentage points).

Ikiwa matokeo hayo kweli yana uwezekano sawa, hasara inayotarajiwa kwa chaguo lolote ni 5% ya dau: 0.50 × 1.90 − 1 = −0.05. Zingatia kwamba overround ya 5.26% na hasara inayotarajiwa ya 5% ni vipimo tofauti. Overround si moja kwa moja kiwango halisi cha faida ya mwendeshaji, wala hasara inayotarajiwa kwa kila chaguo linalowezekana.

Kuondoa overround ni uamuzi wa ukadiriaji

Njia ya kawaida ya makadirio ya awali ni kugawanya kila uwezekano ghafi unaodokezwa kwa jumla yake:

pᵢ_normalised = qᵢ / Σqⱼ

Hii inazalisha uwezekano wenye jumla ya moja, lakini inadhani mgawanyo fulani wa margin. Haifichui uwezekano halisi. Njia nyingine zinatumia dhana tofauti kuhusu jinsi bei zinavyopotoshwa, zikiwemo athari za favourite–longshot (bei zisizolingana kati ya timu zinazopewa nafasi kubwa na zile zisizopewa nafasi).

Štrumbelj alichunguza njia za kupata utabiri wa uwezekano kutoka kwa odds za kubashiri. Maana yake kivitendo ni kwamba “uwezekano wa haki” unaotolewa kutoka sokoni unapaswa kuitwa makadirio yaliyotolewa kwa njia iliyotajwa. Si ukweli ulioonekana. Štrumbelj, 2014.

Kwa nini bei za soko ni kigezo cha kulinganisha chenye manufaa, si chanzo cha ukweli kamili

Bei hukusanya taarifa na maamuzi ya kibiashara. Zinaweza kuakisi ujuzi wa utabiri, mapendeleo ya wateja, hatari ambayo mwendeshaji amebeba na ushindani wa soko. Hazipaswi kudhaniwa kuwa sahihi kikamilifu, wala kurekebishwa kimitambo ili kusawazisha pesa kwenye kila matokeo.

Utafiti wa Levitt kuhusu seti fulani ya data ya kubashiri mpira wa miguu wa Marekani (American football) ulipata ushahidi wa hatari iliyochukuliwa kwa makusudi na wa kutumia upendeleo wa wabashiri. Unapinga maelezo rahisi ya “daima sawazisha kitabu”. Matokeo yake yanaelezea soko na kipindi kilichochunguzwa, si kila mchezo, mwendeshaji au soko la kisasa. Levitt, 2004.

Mifumo ya utabiri: modeli zinakadiria nini hasa

Viwango vya ubora (ratings) na regression

Modeli za viwango vya ubora hufupisha nguvu linganishi ya timu au mchezaji. Modeli za regression huunganisha vigezo vya utabiri, kama nguvu iliyokadiriwa na faida ya kucheza nyumbani, na matokeo au mgawanyo wa uwezekano.

Aina ya regression lazima ilingane na kinachotabiriwa. Logistic regression inaweza kuiga matokeo ya pande mbili; modeli za multinomial zinaweza kuwakilisha makundi kadhaa ya matokeo; modeli za hesabu (count models) zinaweza kuwakilisha magoli au pointi. Linear regression ya kawaida ni chombo kimoja, si suluhisho la msingi kwa kila matokeo ya michezo.

Manufaa ya utabiri pia ni tofauti na kisababishi. Kigezo kinaweza kuboresha utabiri bila kuthibitishwa kuwa ndicho kinachosababisha matokeo. Kinyume chake, hadithi ya kisababishi inayoaminika haithibitishi kwamba inaongeza taarifa ya utabiri zaidi ya ile ambayo tayari imo kwenye bei.

Modeli za Poisson za mpira wa miguu na Dixon–Coles

Modeli ya msingi ya Poisson huchukulia idadi ya magoli ya timu kama kigezo cha nasibu chenye kiwango kinachotarajiwa, mara nyingi huandikwa λ:

P(G = k) = exp(−λ) × λ^k / k!

Hapa k ni idadi ya magoli isiyo hasi na k! ni factorial yake. Ukiwa na modeli ya magoli ya timu zote mbili, uwezekano wa kila matokeo kamili unaweza kujumlishwa kupata uwezekano wa ushindi wa nyumbani, sare, ushindi wa ugenini au soko la jumla ya magoli.

Kwa mfano, ikiwa modeli ya Poisson huru inaipa timu ya nyumbani magoli yanayotarajiwa 1.5 na timu ya ugenini 1.0, uwezekano wake wa matokeo ya 0–0 ni:

P(0–0) = exp(−1.5) × exp(−1.0) = exp(−2.5) ≈ 8.21%

Namba hii inatokana na modeli iliyodhaniwa. Si uthibitisho kwamba mechi halisi ina uwezekano huo. Mapungufu ya modeli ni pamoja na mabadiliko ya nguvu ya timu na utegemeano kati ya michakato ya magoli ya timu hizo mbili.

Makala ya Dixon na Coles ya 1997 ilitengeneza mbinu inayotegemea Poisson regression kwa matokeo ya mpira wa miguu, ikizingatia kwamba utendaji wa timu hubadilika kwa muda, na ikachunguza mkakati wa kubashiri uliotokana nayo kwa kutumia odds za kihistoria. Marejesho ya kihistoria yaliyoripotiwa ni ushahidi kuhusu modeli na sampuli ya utafiti huo. Hayathibitishi kwamba mbinu hiyohiyo itazalisha marejesho chanya kwa bei za leo. Dixon and Coles, 1997.

Machine learning hubadilisha aina ya modeli, si mzigo wa kuthibitisha

Tree ensembles, neural networks na mbinu nyingine zinazonyumbulika zinaweza kuwakilisha mahusiano tata. Pia zinaweza kujifunza kelele (noise), kutumia uvujaji wa data (data leakage) bila kukusudia, au kufanya vizuri kwenye seti ya majaribio ambayo imeathiri maendeleo ya modeli kimyakimya.

Modeli inayotumia vigezo vingi zaidi si lazima iwe mkadiriaji bora wa uwezekano. Utendaji wake unategemea ubora wa data, ufafanuzi wa kinachotabiriwa, regularisation, muundo wa uthibitishaji na mabadiliko katika mchezo wenyewe. Kanuni za kuchagua na kutathmini modeli zinajadiliwa kwa kina katika The Elements of Statistical Learning. Hastie, Tibshirani and Friedman, 2009.

Kwa modeli yoyote, uliza ni taarifa gani zilikuwepo wakati wa kutabiri. Utabiri wa “kabla ya mechi” uliotengenezwa kwa kutumia kikosi halisi cha kuanza hauwezi kulinganishwa na bei iliyonaswa kabla kikosi hicho hakijatangazwa.

Kanuni za uchaguzi: utabiri ni pembejeo moja tu

Kanuni ya uchaguzi hugeuza uwezekano na bei zilizopo kuwa uamuzi uliotajwa. Kwa mfano, kanuni ya uchambuzi inaweza kuweka alama kwenye machaguo ili yakaguliwe pale thamani inayotarajiwa iliyokadiriwa inapozidi kizingiti fulani.

Kizingiti hicho hakiwezi kurekebisha modeli ambayo uwezekano wake haulingani na uhalisia. Ikiwa modeli inakuza uwezekano wa matokeo kimfumo, kuchagua faida zake kubwa zinazoonekana kunaweza kukusanya hatari kwenye makosa yake makubwa zaidi.

Rekodi iliyo wazi inapaswa kutofautisha:

  • Uwezekano wa modeli kabla matokeo hayajajulikana.
  • Bei iliyokuwepo wakati huohuo wa uamuzi.
  • Hesabu iliyotumika kulinganisha uwezekano huo na bei hiyo.
  • Kanuni ya kujumuisha au kutojumuisha.
  • Jinsi ya kushughulikia bei zisizopatikana, masoko yaliyobadilika na machaguo yaliyobatilishwa (void).

Maelezo haya ni muhimu kuliko lebo kama “mfumo wa value”. Kwa utangulizi mfupi wa dhana hii, angalia mwongozo wetu wa value betting.

Mifumo ya kiasi cha dau: kudhibiti hatari ni kazi tofauti

Dau sawa (flat stakes)

Dau sawa hutumia kiasi kilekile cha kawaida kwenye kila chaguo. Dau la kipimo kimoja hubaki kipimo kimoja iwe chaguo lililotangulia lilishinda au lilishindwa.

Faida yake kuu ya kiuchambuzi ni urahisi wa kulinganisha. Matokeo yanaathiriwa kidogo na uamuzi wa kuongeza hatari kabla tu ya mfululizo wa ushindi. Hata hivyo, kipimo kisichobadilika huwa sehemu kubwa zaidi ya salio linalopungua, na sehemu ndogo zaidi ya salio linaloongezeka.

Dau sawa halithibitishi thamani inayotarajiwa chanya. Linarekebisha tu sehemu moja ya mchakato.

Dau la sehemu isiyobadilika ya mtaji (fixed fraction)

Kanuni ya sehemu isiyobadilika huweka hatarini sehemu iliyotajwa ya salio la sasa. Kwa 2%, salio la vipimo 100 linamaanisha dau la vipimo viwili; baada ya hasara, salio la vipimo 98 linamaanisha dau la vipimo 1.96.

Baada ya hasara kamili kumi mfululizo kwa sehemu hiyo, salio ni:

100 × 0.98^10 ≈ 81.71 units

Kushuka kwa mtaji (drawdown) ni takriban 18.29%, badala ya 20% inayotokana na hasara kumi za vipimo viwili visivyobadilika. Hii inaonyesha jinsi hatari inavyobadilika; haionyeshi kwamba kanuni ya 2% inafaa au ni salama.

Katika modeli bora ya kinadharia yenye madau yanayoweza kugawanywa na sehemu iliyo chini ya 100% kabisa, salio halifikii sifuri kamili baada ya idadi yenye kikomo ya hasara za kawaida. Kivitendo, salio linaweza kuwa dogo mno kutumika, kiwango cha chini cha dau kinajalisha, na kushuka kukubwa kwa mtaji bado kunawezekana. “Haifikii sifuri ya kihisabati” si sawa na “haiwezi kumaliza bajeti”.

Maendeleo chanya na hasi (progressions)

Mifumo ya maendeleo hubadilisha ukubwa wa dau kulingana na matokeo ya awali. Maendeleo hasi huongeza hatari baada ya hasara. Maendeleo chanya huiongeza baada ya ushindi, mara nyingi kwa kanuni ya kuanza upya.

Mifano ni pamoja na kanuni za Martingale, Fibonacci, D'Alembert na za mtindo wa Paroli. Mfuatano wake hutofautiana, lakini swali kuu ni lilelile: je, chaguo linalofuata lina thamani inayotarajiwa chanya ya masharti kwa bei yake iliyopo, na dau linaongeza hatari kiasi gani?

Mfuatano wa ukubwa wa madau si ushahidi kwamba machaguo yenyewe yana faida.

Kwa nini Martingale haiondoi hasara ya msingi

Mfano unaojulikana wa Martingale huongeza dau mara mbili baada ya kila hasara na huanza upya baada ya ushindi. Hesabu yake ya kawaida inadhani ushindi halisi sawa na dau (even money), sawa na odds za desimali za 2.00, bila gharama wala matatizo ya malipo.

Ukianza na kipimo kimoja, madau sita yanayoshindwa mfululizo ni:

1 + 2 + 4 + 8 + 16 + 32 = 63 units

Dau linalofuata lingekuwa vipimo 64. Likishinda kwa 2.00, linazalisha faida halisi ya vipimo 64, likifidia hasara ya awali ya vipimo 63 na kubakiza kipimo kimoja. Lakini kuliweka kunahitaji vipimo vingine 64 baada ya 63 kuwa tayari vimepotea: uwezo wa jumla wa fedha wa vipimo 127 kwa njia hiyo.

Hii inazalisha faida nyingi ndogo zinazowezekana kwa kila mzunguko na hasara isiyotokea mara kwa mara lakini kubwa zaidi pale kikomo cha mtaji, kikomo cha dau au kanuni ya kusimama inapozuia kuendelea. Kwa hiyo asilimia kubwa ya mizunguko iliyofanikiwa inaweza kwenda sambamba na matokeo mabaya yanayotarajiwa.

Nini kinatokea kwa odds chini ya 2.00?

Kwa odds za desimali za 1.90, kuongeza mara mbili tu hakurudishi hasara zilizokusanyika kila wakati. Baada ya hasara za kipimo kimoja na viwili, ushindi wa vipimo vinne huzalisha 4 × 0.90 = 3.60 vipimo vya ushindi halisi, na kuacha faida ya mzunguko ya vipimo 0.60. Baada ya hasara za kipimo kimoja, viwili na vinne, ushindi wa vipimo vinane huzalisha vipimo 7.20, na kuacha vipimo 0.20 tu. Baada ya hasara za kipimo kimoja, viwili, vinne na vinane, ushindi wa vipimo 16 huzalisha vipimo 14.40 dhidi ya vipimo 15 vilivyokwisha potea: mzunguko bado unapoteza vipimo 0.60.

Ili kulenga faida maalum ya mzunguko kwa odds zisizobadilika d, dau linalofuata linalohitajika lingekuwa badala yake:

next stake = (accumulated losses + target profit) / (d − 1)

Kwa odds chini ya 2.00, hitaji hilo la kurudisha hasara hupanda kwa kasi zaidi kuliko mfuatano unaojulikana wa kuongeza mara mbili. Pia linadhani kwamba dau linalohitajika na bei hiyo bado vinapatikana.

Sababu ya jumla ya thamani inayotarajiwa

Tuseme dau sₜ linachaguliwa kwa kutumia tu taarifa zilizokuwepo kabla ya chaguo t. Uwezekano wake wa masharti wa kushinda uwe pₜ na odds zake za desimali ziwe dₜ. Faida yake halisi inayotarajiwa ya masharti ni:

E[profitₜ | information available] = sₜ × (pₜ × dₜ − 1)

Ikiwa pₜ × dₜ − 1 si chanya kila mara dau lisilo hasi linapowekwa, kubadilisha sₜ hakufanyi matarajio hayo ya masharti kuwa chanya. Kwa mfuatano wenye kikomo uliowekwa, au mchakato wenye madau yenye kikomo na muda wa kusimama wenye kikomo, kujumlisha faida hizi zinazotarajiwa hudumisha hitimisho hilo. Hoja ya “endelea milele” isiyo na kikomo inahitaji dhana za ziada za kihisabati na haielezei mtaji wenye kikomo.

Hoja hii haihitaji kila chaguo kuwa huru. Inahitaji dhana ya thamani inayotarajiwa ya masharti kushikilia kutokana na taarifa zilizotumika kuchagua dau. Ikiwa taarifa muhimu zinabadilika kweli, makadirio ya uwezekano lazima yatathminiwe upya; mfuatano wa hasara peke yake si ushahidi kwamba sasa ni zamu ya ushindi.

Kanuni za stop-loss na stop-win zinaweza kubadilisha hatari, urefu wa kipindi cha kubashiri na mgawanyo wa matokeo. Chini ya dhana hizohizo, hazitengenezi thamani inayotarajiwa chanya.

Kelly criterion: lengo la ukuaji lenye dhana ngumu

Kelly criterion hugawa mtaji ili kuongeza kwa kiwango cha juu ukuaji wa utajiri unaotarajiwa kwa kipimo cha logarithm chini ya modeli iliyobainishwa. Makala ya awali ya Kelly ilichapishwa mwaka 1956; maandiko ya baadaye yanajadili matumizi yake katika kubashiri na masoko ya fedha. Kelly, 1956.

Kwa dau rahisi la ushindi kamili/hasara kamili, acha:

  • p uwe uwezekano wa kushinda.
  • q = 1 − p uwe uwezekano wa kushindwa.
  • b = d − 1 ziwe odds halisi (net odds).
  • f iwe sehemu ya utajiri inayowekwa hatarini.

Ukuaji wa logarithm unaotarajiwa kwa fursa moja kama hiyo ni:

g(f) = p × ln(1 + b × f) + q × ln(1 − f)

Kiwango bora cha ndani bila vikwazo ni:

f* = (b × p − q) / b = (p × d − 1) / (d − 1)

Katika hali inayoruhusu tu kuunga mkono chaguo, matokeo yasiyo chanya yanamaanisha hakuna ugawaji chanya chini ya modeli hii. Si maelekezo ya kuweka dau hasi. Vikwazo vingine lazima pia vitumike.

Mfano wa hesabu ya Kelly

Dhani odds za 1.90 na uwezekano sahihi kweli wa kushinda wa 55%:

f* = (0.55 × 1.90 − 1) / 0.90 = 0.05

Sehemu ya full Kelly ya modeli ni 5%. Nusu Kelly ingekuwa 2.5%; robo Kelly ingekuwa 1.25%.

Haya ni matokeo ya dhana za kubuni, si viwango vya dau vinavyopendekezwa kwa mtu binafsi. Ugawaji wa full Kelly unaweza kuwa na kushuka kukubwa kwa mtaji hata kama uwezekano ni sahihi. Unaongeza lengo fulani la ukuaji wa muda mrefu, si nafasi ya kushinda chaguo linalofuata, kuepuka hasara, au kukidhi hitaji la matumizi ya muda mfupi.

Kosa la uwezekano linaweza kugeuza hesabu

Bakiza odds za 1.90, lakini tuseme uwezekano halisi ni 52%, si 55%. Marejesho halisi yanayotarajiwa kwa kila kipimo ni:

0.52 × 1.90 − 1 = −0.012

Fursa inayoonekana sasa ni hasara inayotarajiwa ya 1.2%. Sehemu ya Kelly inayoonekana sahihi lakini iliyohesabiwa kutoka kwa uwezekano usio sahihi hailindi salio.

Fractional Kelly (sehemu ya Kelly) hupunguza hatari ikilinganishwa na ugawaji kamili wa modeli, lakini haigeuzi chaguo lenye faida hasi kuwa lenye faida chanya. Kwa dhana, aina na matumizi ya kigezo hiki, angalia maelezo ya Thorp katika Handbook of Asset and Liability Management. Thorp, 2008.

Nafasi kadhaa zilizo wazi zinahitaji mtazamo wa jalada (portfolio)

Fomula rahisi haihalalishi kutumia sehemu kamili kwa kila chaguo linalofanyika wakati mmoja kana kwamba ni huru. Nafasi kadhaa zinaweza kutegemea mechi ileile, timu ileile, ligi ileile au kosa lilelile la msingi la modeli.

Mtazamo wa jalada unahitaji mgawanyo wa pamoja wa matokeo, muda wa malipo na jumla ya hatari. Tiketi zinazoonekana kuwa tofauti zinaweza kushiriki hatari ileile. Kujumlisha madau ya Kelly yaliyohesabiwa moja moja kunaweza kukuza kupita kiasi ugawaji unaofaa wa jumla.

Kwa maelezo mafupi kuhusu vipimo na hatari, angalia mwongozo wetu wa usimamizi wa mtaji.

Mikeka (accumulators), round robin na system bets

Mkeka (accumulator) kwa kawaida huhitaji kila sehemu (leg) ifanikiwe. Ikiwa sehemu zote ni huru na malipo ya ushindi kamili/hasara kamili ya kila sehemu yanaendana na dau la pamoja:

P(all win) = p₁ × p₂ × … × pₙ

Ikiwa malipo yake ya desimali ni zao la odds za vipengele:

d_accumulator = d₁ × d₂ × … × dₙ

Kwa hiyo marejesho yake ghafi yanayotarajiwa kwa kila kipimo ni:

expected gross return = ∏(pᵢ × dᵢ)

Chukua machaguo manne huru ya kubuni, kila moja likiwa na uwezekano wa kushinda wa 55% na odds za 1.80. Kila dau moja lina marejesho ghafi yanayotarajiwa ya vipimo 0.99 kwa kila kipimo cha dau. Mkeka wa sehemu nne una:

  • Uwezekano wa yote manne kushinda: 0.55^4 ≈ 9.15%.
  • Malipo ya desimali: 1.80^4 = 10.4976.
  • Marejesho ghafi yanayotarajiwa: 0.99^4 = 0.96059601.
  • Marejesho halisi yanayotarajiwa: takriban −3.94% ya dau.

Malipo makubwa yanayotangazwa hayathibitishi thamani bora. Katika mfano huu, kuunganisha sehemu kunazidisha hasara zake.

Uhuru wa machaguo ni muhimu kwa hesabu hiyo ya kuzidisha. Ikiwa machaguo yanahusiana, uwezekano wao wa pamoja lazima uigwe moja kwa moja. Hata makadirio yenye faida moja moja hayathibitishi thamani ya bei ya pamoja bila dhana sahihi za utegemeano.

Kwa nini idadi ya michanganyiko iliyoshinda katika system bet inaweza kupotosha

Round robin hugawa madau kwenye michanganyiko kadhaa. Machaguo manne yana doubles sita tofauti. Kwa kipimo kimoja kwenye kila double, jumla ya dau ni vipimo sita, si kimoja.

Ikiwa machaguo yote manne huru katika mfano yana uwezekano na odds zilezile, kila double ina marejesho ghafi yanayotarajiwa ya 0.99² = 0.9801 kwa kila kipimo. Kwa hiyo jalada la doubles sita lina marejesho ghafi yanayotarajiwa ya 6 × 0.9801 = 5.8806 vipimo kwa vipimo sita vilivyowekwa, yaani hasara inayotarajiwa ya vipimo 0.1194 au 1.99% ya jumla ya madau.

Doubles hizo zinashiriki sehemu, kwa hiyo malipo yake yanategemeana. Uhuru kati ya doubles hauhitajiki ili kujumlisha matarajio yake, lakini utegemeano huo unajalisha sana kwa kubadilikabadilika kwa matokeo ya jumla.

“Baadhi ya michanganyiko ilishinda” si kipimo cha faida. Dau na malipo ya kila tiketi lazima vihesabiwe. Mwongozo wetu wa mkeka (accumulator) unaeleza istilahi za msingi za malipo. Ili kuangalia odds, malipo na uwezekano wa pamoja wa mkeka mmoja, tumia kikokotoo chetu cha mkeka.

Arbitrage na hedging ni tofauti na kutabiri matokeo

Katika soko rahisi lenye matokeo yasiyoweza kutokea pamoja na yanayojumuisha uwezekano wote, seti ya bei zinazoweza kutekelezwa inaweza kuruhusu arbitrage ya kinadharia pale:

Σ(1 / dᵢ) < 1

Sharti hili linaelezea muundo wa malipo wa kihisabati. Tathmini ya ulimwengu halisi lazima ijumuishe iwapo nafasi zote zinazohitajika zinaweza kukubaliwa kwa bei zilizorekodiwa na iwapo kanuni zake za malipo zinalingana. Kamisheni, mabadiliko ya bei, kukubaliwa kwa sehemu tu ya dau, kubatilishwa (voids), vikwazo vya akaunti na hatari ya upande mwingine wa mkataba vinaweza kubadilisha matokeo.

Hedging inamaanisha kuchukua nafasi nyingine inayopunguza sehemu ya hatari iliyopo. Inaweza kupunguza hatari fulani huku pia ikipunguza faida inayotarajiwa au kuongeza gharama. Wala kuwepo kwa hedge wala neno “arbitrage” havifanyi mchakato wa kiutendaji kuwa bila hatari.

Mwongozo huu haupendekezi mkakati wa utekelezaji. Tofauti ni kwamba mifumo ya utabiri hukadiria matokeo yasiyo na uhakika, ilhali hesabu bora ya arbitrage hulinganisha seti kamili ya malipo yaliyowekwa kwenye mikataba.

Jinsi ya kujaribu mfumo wa kubashiri michezo bila kujidanganya

Tenganisha utengenezaji na tathmini

Backtest (jaribio la nyuma) hutumia kanuni kwenye data ya kihistoria. Lina manufaa tu ikiwa mchakato unaheshimu kile kilichojulikana na kupatikana wakati huo.

Seti ileile ya data haipaswi kutumika mara kwa mara kama chanzo cha mawazo, lengo la kurekebisha vigezo na pia kama uthibitisho unaodhaniwa kuwa huru. Machapisho ya jumla kuhusu tathmini ya modeli yanaeleza kwa nini utendaji unaoonekana kwenye data ya utengenezaji huwa na matumaini kupita kiasi. Utafiti wa backtesting pia unachunguza hatari ya kuchagua kanuni inayoonekana kufanikiwa kutoka kwa njia mbadala nyingi. Hastie, Tibshirani and Friedman, 2009; Bailey et al., 2017.

Kwa data ya michezo iliyopangwa kwa mpangilio wa muda, tathmini inayoweza kukaguliwa inaweza kutumia:

  1. Kipindi cha mapema cha mafunzo kwa ajili ya kukadiria vigezo vya modeli.
  2. Kipindi cha baadaye cha uthibitishaji kwa ajili ya kuchagua mipangilio na vizingiti vya uchaguzi.
  3. Kipindi cha baadaye zaidi cha majaribio kisichoguswa hadi machaguo hayo yamewekwa.
  4. Rekodi inayofuata ya mbele (forward record) yenye utabiri uliowekewa muda kabla ya matukio.

Walk-forward testing hurudia mchakato uliofafanuliwa wazi wa kufunza kisha kujaribu kupitia muda. Kila utabiri wa majaribio lazima utumie taarifa za awali tu. Kufunza modeli upya ni halali ikiwa ni sehemu ya utaratibu uliotangazwa; kuandika upya utaratibu baada ya kuona kipindi kibaya ni hatua mpya ya utengenezaji, si jaribio lisiloguswa.

Kagua uvujaji wa data (data leakage)

Matatizo ya kawaida ya uvujaji ni pamoja na:

  • Kutumia msimamo wa mwisho wa msimu kutabiri mechi zilizochezwa mapema katika msimu huo.
  • Kutumia bei ya mwisho (closing price) kuchagua fursa inayodaiwa kutambuliwa saa kadhaa mapema.
  • Kujumuisha ripoti ya majeruhi ambayo ilikuwa haijachapishwa wakati wa uamuzi.
  • Kugawanya rekodi zinazohusiana kwa karibu kati ya seti za mafunzo na majaribio bila kuhifadhi mpangilio wa muda wa matukio.
  • Kufanya maamuzi ya maandalizi ya data (preprocessing) au uchaguzi wa vigezo kwa kutumia seti nzima ya data.

Kila kigezo cha utabiri kinapaswa kuwa na muda unaoaminika wa kuchapishwa, si tarehe ya tukio tu. Swali zuri la ukaguzi ni: je, mtu anayetoa utabiri huu kwa muda huo angeweza kupata taarifa hii hasa?

Hesabu kanuni zilizoshindwa

Ikiwa kanuni 1,000 zisizohusiana zinajaribiwa na kila moja inatathminiwa kwa kizingiti cha kawaida cha 5% cha matokeo chanya ya uongo, takriban matokeo chanya ya uongo 50 yanatarajiwa chini ya dhana ya jumla (global null) ambapo hakuna kanuni yenye athari halisi. Idadi inayotarajiwa inapatikana kwa kujumlisha uwezekano wa kila moja wa kuwa chanya ya uongo; uhuru hauhitajiki kwa matarajio hayo.

Kwa hiyo kupata matokeo moja yanayovutia baada ya utafutaji mkubwa ni tofauti na kuthibitisha kanuni iliyobainishwa mapema. Weka wazi mchakato wa utafutaji, hifadhi jaribio lisiloguswa, na fikiria mbinu zinazofaa za majaribio mengi (multiple testing) au resampling. Utafutaji unaorudiwa kwenye seti ya majaribio huigeuza kuwa seti nyingine ya utengenezaji.

Ndiyo sababu kanuni tata kama “timu za ugenini katika siku fulani ya wiki baada ya kupoteza mara mbili” inahitaji zaidi ya asilimia ya ushindi ya kihistoria inayovutia.

Jenga upya utekelezaji na malipo

Rekodi halisi inapaswa kubainisha chanzo cha bei, muda (timestamp), ufafanuzi wa soko, upatikanaji wa dau, ada na malipo. Machaguo yaliyokosekana hayapaswi kutoweka kimyakimya kwa sababu matokeo yao hayakufaa.

Kwa mfano, utabiri uliochapishwa saa 15:00 hauwezi kupewa sifa ya bei iliyokuwepo saa 10:00 tu isipokuwa mchakato ulirekodi bei hiyo kweli na ungeweza kuitumia wakati huo. Malipo ya juu kabisa yanayotangazwa pia ni tofauti na dau lililokubaliwa kwa bei hiyo.

Andika sera za kubatilishwa (void) na malipo ya sehemu, ubadilishaji wa sarafu pale inapohusika, na jinsi hatari za wakati mmoja zinavyoshughulikiwa. Hizi ni dhana zinazoamua matokeo yaliyoripotiwa.

Pima uwezekano, matokeo ya kifedha na hatari kila kimoja peke yake

Calibration na scoring rules

Utabiri wenye ulinganifu mzuri (calibrated) wa 60% unapaswa kuendana, katika mkusanyiko wa kutosha wa utabiri unaolingana, na matokeo yanayotokea takriban 60% ya mara. Calibration ni sifa ya kundi, si ahadi kwamba tukio moja litafanikiwa.

Modeli inayotabiri tu kiwango cha jumla cha msingi (base rate) inaweza kuwa calibrated lakini isiwe na taarifa yoyote. Tathmini ya uwezekano inapaswa kuzingatia manufaa ya tofauti zake pamoja na calibration.

Proper scoring rules (kanuni sahihi za kupima utabiri) hutathmini utabiri wa uwezekano dhidi ya matokeo yaliyoonekana. Vipimo viwili vya kawaida vya hasara kwa matokeo ya pande mbili ni:

Brier loss = average[(pᵢ − yᵢ)²]

Log loss = −average[yᵢ × ln(pᵢ) + (1 − yᵢ) × ln(1 − pᵢ)]

Hapa yᵢ ni moja kwa ushindi na sifuri vinginevyo. Chini ni bora chini ya kanuni hizi za hasara. Kwa matukio yenye matokeo mengi, tumia ufafanuzi unaofaa wa makundi mengi na utaje kipimo chake. Uwezekano wa sifuri uliopewa matokeo yanayotokea huzalisha log loss isiyo na kikomo.

Mapitio ya Gneiting na Raftery yanaeleza kwa nini proper scoring rules huzawadia tathmini ya uwezekano iliyo ya kweli. Hata hivyo, utendaji bora wa alama haumaanishi moja kwa moja faida kwa bei zinazopatikana kwa utekelezaji. Gneiting and Raftery, 2007.

Ripoti ya chini kabisa ya utendaji

KipimoKinachoelezeaKisichothibitisha
Kiwango cha ushindi (hit rate)Sehemu ya machaguo yaliyolipwa yaliyorekodiwa kama ushindi chini ya utaratibu uliotajwaFaida bila bei na maelezo ya malipo
Faida halisiMarejesho ukiondoa madau na gharama zilizojumuishwaIwapo hatari ilikuwa ya busara au matokeo yatajirudia
Faida kwa jumla ya madau (return on turnover)Faida halisi ikigawanywa kwa jumla ya kiasi kilichowekwa kama dauUkuaji wa mtaji wa awali au uhakika wa kitakwimu
Kushuka kukubwa zaidi kwa mtaji (maximum drawdown)Kushuka kukubwa zaidi kutoka kilele hadi chini kwenye mstari wa mtaji uliotajwaHasara mbaya zaidi inayoweza kutokea siku zijazo
Calibration na proper scoresUbora wa utabiri wa uwezekanoUpatikanaji wa bei yenye faida
Mabadiliko ya bei au ulinganisho na closing lineJinsi bei zilizorekodiwa zinavyolingana na kigezo cha baadayeUthibitisho kwamba kigezo ni cha kweli au mchakato una faida
Ukubwa wa sampuli na kipindi cha kutokuwa na uhakikaRekodi ina ushahidi kiasi gani chini ya dhana zilizotajwaKinga dhidi ya uvujaji wa data, upendeleo wa uchaguzi au mabadiliko ya mazingira

“ROI” na “yield” hutumika kwa njia zisizolingana kati ya wachapishaji. Ripoti inapaswa kutaja kigawanyo chake. Faida ya 5% kwa jumla ya madau si lazima iwe faida ya 5% kwa salio la awali, hasa pale mtaji uleule unapotumika mara kwa mara.

Kushuka kwa mtaji pia kunahitaji ufafanuzi: salio lililolipwa, salio linalojumuisha madeni ya madau yaliyo wazi, au thamani ya mtaji kwa bei za soko vinaweza kutoa mistari tofauti. Chati inayoonekana laini inaweza kuficha hatari ambayo bado haijamalizika.

Kile ambacho closing-line value kinaweza na kisichoweza kuonyesha

Kwa matokeo yaleyale na masharti yaleyale ya malipo, kupata bei ya desimali ya juu kuliko bei ya mwisho (closing price) ya baadaye ni ulinganisho ghafi wa bei wenye faida. Rekodi inaweza kufuatilia hili kama kipimo kimoja cha uchunguzi.

Lakini bei ya mwisho bado inajumuisha margin, inaweza kuwa imepitwa na wakati au ya soko lenye ukwasi mdogo, na kwa ufafanuzi si uwezekano halisi. Ulinganisho makini unapaswa kubainisha soko lake, muda wake na njia ya kurekebisha margin. Uboreshaji wa bei unaoendelea ni ushahidi wenye manufaa kuhusu utekelezaji; si uthibitisho unaojitegemea wa thamani inayotarajiwa chanya.

Ushahidi kiasi gani unatosha?

Hakuna idadi ya chini ya madau inayotumika kila mahali inayofanya mfumo uthibitishwe. Jibu linategemea faida inayopendekezwa, kubadilikabadilika kwa malipo, utegemeano kati ya machaguo, uchaguzi wa modeli na usahihi unaohitajika.

Fikiria machaguo 1,000 huru ya kubuni ya ushindi kamili/hasara kamili, kila moja kwa odds za 1.90, yenye ushindi 550 na hasara 450 kwa kipimo kimoja kila moja. Faida halisi ni:

550 × 0.90 − 450 = 45 units

Faida kwa jumla ya madau ni 4.5%. Kiwango cha ushindi kilichoonekana ni 55%. Chini ya modeli rahisi ya binomial huru yenye uwezekano mmoja wa kushinda, kipindi cha takriban cha 95% kwa uwezekano huo kwa kutumia normal approximation ni:

0.55 ± 1.96 × sqrt(0.55 × 0.45 / 1000)

Hii ni takriban 51.9% hadi 58.1%. Uwezekano wa kurudisha gharama wa 52.63% uko ndani yake. Kwa hiyo faida iliyoonekana peke yake haiondoi uwezekano wa msingi wa kushinda ulio sawa na kurudisha gharama tu, katika kiwango hicho cha takriban cha kipindi.

Hesabu hii ni ya kielelezo, si jaribio kamili la rekodi halisi. Odds zinazobadilika, mechi zinazoshirikiwa, ubora wa uchaguzi unaobadilika, kanuni zinazojirekebisha na utafutaji wa awali vinahitaji modeli inayofaa zaidi. Kipindi cha kutokuwa na uhakika hakiwezi kurekebisha seti ya data iliyochaguliwa baada ya matokeo yake kujulikana.

Hata ushahidi imara wa kihistoria unaunga mkono dai kuhusu mchakato na mazingira yaliyojaribiwa. Mabadiliko ya timu, ratiba, vyanzo vya data, bei na ushindani yanaweza kudhoofisha faida. Tathmini endelevu ya mfumo ni sehemu ya ufafanuzi wake, si nyongeza ya hiari.

Orodha ya vitendo ya kutathmini mfumo unaodaiwa

Kabla ya kuchukulia dai la utendaji kuwa na maana, angalia kama linajibu maswali haya:

  1. Mfumo ni nini? Tenganisha utabiri, kanuni ya uchaguzi, kanuni ya kiasi cha dau na mchakato wa utekelezaji.
  2. Ulitumia taarifa gani? Dai muda wa utabiri na pembejeo zilizokuwa zinapatikana kihistoria.
  3. Uwezekano uko wapi? Orodha ya washindi si modeli ya uwezekano.
  4. Bei zipi zilikuwepo? Dai odds za wakati huo zilizoweza kupatikana kihalisia.
  5. Nini kilijaribiwa? Tambua vipindi vya utengenezaji, majaribio yasiyoguswa na mabadiliko yoyote ya baadaye ya kanuni.
  6. Utafutaji ulikuwa mkubwa kiasi gani? Jumuisha matoleo yaliyoachwa na majaribio yasiyofanikiwa katika rekodi ya utafiti.
  7. Nini kimejumuishwa kwenye faida? Hesabu kila dau, hasara, ada, void na malipo ya sehemu kwa uthabiti.
  8. Hatari gani ilichukuliwa? Ripoti kushuka kwa mtaji, hatari iliyo wazi na unyeti kwa makosa ya uwezekano.
  9. Matokeo yana kutokuwa na uhakika kiasi gani? Tumia mbinu zinazofaa kwa odds na muundo wa utegemeano.
  10. Nani ananufaika na dai hili? Tofautisha tathmini huru na matangazo ya mchapishaji mwenyewe.

Ishara za hatari ni pamoja na lugha ya mapato yaliyohakikishwa, mfumo wa maendeleo wa kurudisha hasara unaowasilishwa kama faida ya kihisabati, picha za skrini bila historia kamili, na matokeo yasiyoweza kurudiwa kutoka kwa rekodi yenye muda.

Kuamua kutobashiri hakuhitaji uhalali wowote wa kitakwimu. Modeli inaweza kuvutia kama zoezi la utabiri bila kufaa kwa kuweka pesa hatarini.

Maswali yanayoulizwa mara kwa mara

Je, mfumo wa kubashiri michezo unaweza kuhakikisha faida?

Mfumo wa utabiri au wa kiasi cha dau hauwezi kuhakikisha matokeo ya matukio yasiyo na uhakika. Hesabu bora ya arbitrage inaweza kuelezea malipo yaliyofungwa chini ya dhana zake, lakini hatari za utekelezaji halisi, malipo na upande mwingine wa mkataba bado lazima zitathminiwe. Ahadi ya uhakika katika tangazo la kibiashara si ushahidi.

Je, Martingale ni salama zaidi kwa sababu mizunguko mingi inaweza kuisha kwa faida ndogo?

Idadi ya mizunguko yenye faida inaacha nje ukubwa wa mizunguko inayopoteza. Mifumo ya maendeleo inaweza kubadilisha faida nyingi ndogo kwa uwezekano mdogo wa hasara kubwa. Kwa mtaji wenye kikomo na mipaka ya dau, kurudisha hasara hakuhakikishwi; chini ya odds za desimali za 2.00, hesabu ya kawaida ya kuongeza mara mbili pia hubadilika.

Je, Kelly criterion ni mfumo wa utabiri?

Hapana. Ni kigezo cha ugawaji kwa kuzingatia uwezekano, malipo na lengo. Haitoi uwezekano na haithibitishi kwamba modeli ina faida. Uwezekano uliokadiriwa vibaya na nafasi zinazohusiana zinaweza kufanya ugawaji unaoonekana sahihi kutofaa.

Je, kiwango kikubwa cha ushindi kinamaanisha mfumo bora?

Si bila bei, madau, gharama na hatari. Kiwango kikubwa cha ushindi kwa odds ndogo kinaweza kupoteza pesa. Ubora wa uwezekano na thamani ya bei vinapaswa kupimwa tofauti na usahihi ghafi wa utabiri.

Je, backtest yenye faida inaweza kuhalalisha dai la faida ya kudumu?

Inaweza kuchochea uchunguzi zaidi, lakini haithibitishi uendelevu. Uvujaji wa data, majaribio mengi, bei zisizopatikana na mazingira yanayobadilika vinaweza kueleza faida inayoonekana. Vipindi huru vya majaribio na rekodi kamili ya mbele hutoa ushahidi imara zaidi, huku kutokuwa na uhakika kukiendelea.

Je, system bets ni kitu kimoja na mfumo wa kubashiri?

Si lazima. System bet mara nyingi humaanisha kifurushi cha michanganyiko kutoka machaguo kadhaa. Hubadilisha mgawanyo wa madau na malipo. Haiboreshi, peke yake, uwezekano wa msingi wala kuthibitisha thamani inayotarajiwa chanya.

Marejeo na upeo wa ushahidi

Marejeo yaliyo hapa chini yanaunga mkono dhana fulani za kihisabati, za uundaji wa modeli au za tathmini. Hakuna hata moja linalothibitisha kwamba ABV Tips, au huduma yoyote ya kibiashara ya leo, ina mfumo wenye faida. Tafiti za kihistoria zinapaswa kusomwa kwa kuzingatia data zao, dhana zao na tarehe zao za kuchapishwa.

  1. 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. Maelezo ya awali yanayounganisha taarifa na ukuaji wa mtaji chini ya modeli ya kubashiri iliyobainishwa. Nakala inayopatikana kwa umma iliyohifadhiwa na Princeton.
  2. Thorp, E. O. (2008). “The Kelly Criterion in Blackjack Sports Betting, and the Stock Market.” In Handbook of Asset and Liability Management, 385–428. DOI: 10.1016/B978-044453248-0.50015-0. Maelezo ya baadaye ya kigezo hiki, matumizi yake na mambo ya kuzingatia kivitendo. Toleo la awali la mswada na machapisho ya baadaye pia yanasambaa; tarehe iliyotajwa hapa inatambulisha toleo la handbook lililonukuliwa.
  3. 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. Uundaji wa modeli ya matokeo ya mpira wa miguu na uchunguzi wa kihistoria wa mkakati wa kubashiri uliotokana nayo. Rekodi ya Lancaster University.
  4. 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. Mbinu za kupata uwezekano kutoka kwa odds zinazotolewa na umuhimu wa marekebisho yaliyochaguliwa.
  5. 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. Uchambuzi wa kiushahidi wa bei, tabia ya wabashiri na hatari ya mwendeshaji katika soko lililochunguzwa. Makala iliyohifadhiwa na mwandishi katika University of Chicago.
  6. 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. Mapitio na uendelezaji wa proper scoring rules kwa utabiri wa uwezekano. Makala iliyohifadhiwa na mwandishi katika University of Washington.
  7. Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, toleo la pili (second edition). Springer. DOI: 10.1007/978-0-387-84858-7. Rejea ya jumla kuhusu statistical learning, utata wa modeli, tathmini na uchaguzi wa modeli. Tovuti ya kitabu ya waandishi.
  8. Bailey, D. H., Borwein, J. M., López de Prado, M., and Zhu, Q. J. (2017; ilichapishwa mtandaoni kwa mara ya kwanza mwaka 2016). “The Probability of Backtest Overfitting.” The Journal of Computational Finance, 20(4), 39–69. DOI: 10.21314/JCF.2016.322. Uchaguzi wa backtest na overfitting katika utafiti wa fedha; imenukuliwa kwa ajili ya tatizo la jumla la tathmini, si kama jaribio la kiushahidi la utabiri wa michezo. Mswada wa awali uliohifadhiwa na mwandishi.

Maelezo ya kiuhariri na ya hesabu: Mifano ya namba iliundwa kwa ajili ya maelezo haya na inafuata dhana zilizotajwa kando yake. Si matokeo yaliyoonekana, kasoro za soko zilizogunduliwa na upande huru, wala utafiti mpya wa kitaaluma. Maandishi haya ni muhtasari asilia; hayanakili maneno ya Wikipedia. Upatikanaji wa vyanzo hutofautiana: DOI au rekodi ya chuo kikuu inaweza kutoa metadata na muhtasari (abstract) badala ya maandishi kamili yasiyo na vikwazo.

18+ (watu wazima pekee) na hatari ya kifedha: Kubashiri michezo kunaweza kusababisha madhara ya kifedha. Matokeo ya zamani hayahakikishi matokeo ya baadaye. Hakuna kanuni ya kiasi cha dau inayofanya hasara usizoweza kumudu kukubalika. Ikiwa kubashiri kunakusababishia wasiwasi, acha na utafute msaada kupitia Gambling Therapy, huduma ya kimataifa ya msaada.