Хабр Курсы для всех
РЕКЛАМА
Большая витрина: от крупнейших школ до частных авторов. Сравнивайте по цене, длительности, формату и выбирайте самый подходящий курс!
Хабр доступен 24/7 благодаря поддержке друзей
Комментарии 16
ROI наиболее точной модели, описанной в научной литературе, составляет 4,35%, что по заявлению автора на 75% лучше современных стохастических моделей [1].
Столько труда, а ROI всего 4%? В таком случае просто положить деньги в банк будет выгодней. Я слышал, что бетторы получаю вплоть до 30% ROI делая ставку чисто интуитивно, опираясь на собственный опыт, почему тогда ROI наиболее точной модели всего 4%?
1. Первое соображение — автор той диссертации умышленно занижает значения, чтобы не светиться. Потому что до 10% ROI вполне можно доходить на дистанции, применяя МО, я об этом напишу во второй части.
2. Возможно скажу банальщину, но не следует отождествлять ROI и годовой доход по вкладу. ROI — это процент выигрыша с каждой сделанной ставки, усреднённый на дистанции. Так что и при таком ROI профит может быть существенным, а 30% профита с одной ставки — ни о чем не говорит, так как следующая ставка может быть -100%.
2. Возможно скажу банальщину, но не следует отождествлять ROI и годовой доход по вкладу. ROI — это процент выигрыша с каждой сделанной ставки, усреднённый на дистанции. Так что и при таком ROI профит может быть существенным, а 30% профита с одной ставки — ни о чем не говорит, так как следующая ставка может быть -100%.
Интуитивно кажется, что кроме ROI нужно еще учитывать как часто модель решает ставить, то есть насколько часто бывает, что p_better>p_implied. Иначе может оказаться, что такого почти не бывает.
Кроме того, под этим углом можно рассмотреть вопрос про 30% у отдельных людей: допустим, человек ставит не на все подряд, а только когда очень уверен, что обыграет букмейкера. Если же сделать, чтобы модель ставила только p_better>2*p_implied, возможно у нее тоже ROI приподнимется, но ставить будет очень редко
Кроме того, под этим углом можно рассмотреть вопрос про 30% у отдельных людей: допустим, человек ставит не на все подряд, а только когда очень уверен, что обыграет букмейкера. Если же сделать, чтобы модель ставила только p_better>2*p_implied, возможно у нее тоже ROI приподнимется, но ставить будет очень редко
Честно говоря, тема с ROI не раскрыта.
Из этой фразы трудно сделать иной вывод, кроме того, что начав год со 100USD, я бы его закончил с 103.8USD
Модель общего соперника также тестировалась на более крупной и разнообразной выборке из 2173 матчей ATP 2011 г. и показала ROI 3,8%.
Из этой фразы трудно сделать иной вывод, кроме того, что начав год со 100USD, я бы его закончил с 103.8USD
Да, если за год сделать только 1 ставку.
коммент ниже по идее отвечает на этот вопрос)
чтобы было более понятно
Предположим мы ставим по 2% денег на каждый матч
budget < — 1000
ROI < — 0.038
for ( i in 1:2173){
bet_amount < — budget*0.02 ##взяли 2% денюжек из конверта
budget < — budget — bet_amount ## в конверте осталось на 2% меньше
bet_amount < — bet_amount*(1+ROI) ##это мы поставили денюжки на матч и победили
budget < — budget + bet_amount ##столько денюжек стало в конверте)
}
print (budget)
>>5211.422
То есть мы получили в пять раз больше.
Единственное что тут не учитывается, а это важно — поражения. Цифра 3.8 процента — средняя по больнице, если бы мы постоянно выигрывали с таким ROI, тогда получили бы в 5+ раз больше денег, так как 2% от капитала постоянно растут. Но мы будем иногда проигрывать, тем самым периодически теряя 2% капитала, поэтому итоговая сумма всё таки ниже чем 5211. В любом случае 1038 USD тут не пахнет=)
У Автора статьи данных побольше, он может сказать реальную цифру в год для конкретной модели.
Надеюсь помог в осознании)
чтобы было более понятно
Предположим мы ставим по 2% денег на каждый матч
budget < — 1000
ROI < — 0.038
for ( i in 1:2173){
bet_amount < — budget*0.02 ##взяли 2% денюжек из конверта
budget < — budget — bet_amount ## в конверте осталось на 2% меньше
bet_amount < — bet_amount*(1+ROI) ##это мы поставили денюжки на матч и победили
budget < — budget + bet_amount ##столько денюжек стало в конверте)
}
print (budget)
>>5211.422
То есть мы получили в пять раз больше.
Единственное что тут не учитывается, а это важно — поражения. Цифра 3.8 процента — средняя по больнице, если бы мы постоянно выигрывали с таким ROI, тогда получили бы в 5+ раз больше денег, так как 2% от капитала постоянно растут. Но мы будем иногда проигрывать, тем самым периодически теряя 2% капитала, поэтому итоговая сумма всё таки ниже чем 5211. В любом случае 1038 USD тут не пахнет=)
У Автора статьи данных побольше, он может сказать реальную цифру в год для конкретной модели.
Надеюсь помог в осознании)
можно так: budget((1-0.02)+0.02(1+ROI))^2173=5211.422
сложные проценты творят чудеса.
сложные проценты творят чудеса.
Но мы будем иногда проигрывать...
И добавлю, что проигрываем мы всю ставку целиком, т.е. те самые 2% у нас периодически будут исчезать и их нужно компенсировать другими выигрышами с довольно небольшим средним профитом.
В общем, если в ваш алгоритм заложить хотя бы 5% вероятности проигрыша (т.е. будем выигрывать «почти всегда»), то уже уйдем в гарантированный минус с такой стратегией.
ROI рассчитывается с оборота, а процент по вкладу — на капитал.
Если наш беттор ставил в 2011 на все матчи ATP по 2% капитала на каждый (консервативный подход), то он обернул капитал более 40 раз, и, соответственно, увеличил выделенный на ставки капитал более чем в 2,5 раза.
Так что 4% — отличный ROI если у вас много ставок.
Если наш беттор ставил в 2011 на все матчи ATP по 2% капитала на каждый (консервативный подход), то он обернул капитал более 40 раз, и, соответственно, увеличил выделенный на ставки капитал более чем в 2,5 раза.
Так что 4% — отличный ROI если у вас много ставок.
Важно отметить, что во всех трех стратегиях нельзя делать ставки на обоих игроков.
Это вообще никогда не должно работать, выгоднее ставить на один исход.
Разве что невероятно странный букмекер позволяет делать беспроигрышные ставки.
Их можно ставить в разное время…
Есть такая штука — называется арбитражной ситуацией, или surebet по английски. Смысл в том, что у разных контор коэффициенты могут различаться настолько, что поставив ставку ЗА в одной и ПРОТИВ в другой, можно быть в гарантированном плюсе. Только букмекеры жутко ненавидят таких игроков.
Только букмекеры жутко ненавидят таких игроков.
Это нормально. Букмекеры вообще ненавидят всех, кто выигрывает. Попробуйте, тут же увидите, как они начнут «вставлять палки в колеса». Ограничивать кол-во ставок от вас, установят крошечный максимум на ставку (типа $50), будут требовать всевозможные подтверждения и документы. Один товарищ так выигрывал, ему сделали ограничение по ставкам, он начал ставить от разных виртуалов с мелкими суммами, просить друзей ставить и пр.
Вобщем, букмекер вас будет любить, только пока проигрываете и несете ему деньги. Как только ситуация изменится, он постарается выдавить вас к конкуренту.
При прочтении так и хотелось некоторые примеры, благо есть ссылки на последнии работы.
Конкретно, как оказалось есть даже последователи кто написали рабочий прототип — https://github.com/okh1/tennis-prediction
Implementation of the paper «Machine Learning for the Prediction of Professional Tennis Matches» (Sipko, 2015).
Конкретно, как оказалось есть даже последователи кто написали рабочий прототип — https://github.com/okh1/tennis-prediction
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Машинное обучение для прогнозирования тенниса: часть 1