Шаг 1: данные — 70% работы
Нужны несколько сезонов матчей с финальным счётом, составами, календарём и, главное, коэффициентами закрытия каждой встречи. Без исторических коэффициентов не узнать, обыгрывает ли модель рынок, а это единственный вопрос, который имеет значение.
Очистите дубли названий команд, прерванные матчи и даты в разных часовых поясах. В Gambeta большинство ошибок первых месяцев были ошибками данных, а не модели.
Каждая борьба за мяч — это данные. Модель никогда не видит матч: она видит строки, которые вы решили сохранить заранее.
Шаг 2: переменные, известные до матча
Классическая ловушка — утечка информации: использовать показатель, известный только после матча, например удары в створ этой же игры. На обучении модель выглядит идеальной; в бою рушится.
Допустимые переменные: текущая форма, ожидаемые голы прошлых матчей, отдых между играми, домашнее преимущество, подтверждённые потери и сам коэффициент открытия. В машинное обучение для ставок на спорт мы описываем переменные нашей модели.
Шаг 3: модель
Для начала нейросеть не нужна. Логистическая регрессия или хорошо регуляризованный градиентный бустинг надёжно предсказывают вероятности 1X2 или тотала. Важно, чтобы на выходе была вероятность, а не метка «выиграет или проиграет».
Обучайте по модели на каждый вид спорта. Футбол, теннис, бейсбол и баскетбол устроены по-разному: в теннисе решают очки на подаче, в бейсболе — стартовый питчер, в баскетболе — потери. Одна модель на всё плохо учит все четыре.
Шаг 4: калибровка
Калиброванная модель — та, что, говоря «60%», права примерно в 6 случаях из 10. Это измеряют, группируя прогнозы по диапазонам и сравнивая с тем, что произошло. Без калибровки сравнение с коэффициентом ничего не значит, а ставка рассчитана неверно.
Попал или нет. Калиброванная модель учится на тысячах таких бросков; на нескольких сотнях она учит только шум.
Шаг 5: честная проверка
Отложите последний сезон и не смотрите на него до конца. Симулируйте ставки только когда ваша вероятность выше подразумеваемой коэффициентом закрытия, с плоской ставкой. Если результат не положительный, модель не работает, какой бы высокой ни казалась точность.
Эта логика ставить только с преимуществом — value betting, и именно она превращает предиктор в инструмент для ставок.
Шаг 6: публиковать всё
Модель, не публикующая историю, неотличима от каппера. Записывайте каждый прогноз с вероятностью, коэффициентом и результатом и оставляйте на виду. Это неприятно, когда она проигрывает, и это единственный способ, чтобы ей доверяли, когда она выигрывает.
Если всё это кажется большой работой — так и есть: именно это мы делаем каждый день в Gambeta и публикуем бесплатно, чтобы вам не пришлось строить с нуля.
Смотреть ИИ в работе сегодня →
Частые вопросы
Можно ли обучить ИИ для ставок без программирования?
В электронных таблицах можно дойти до простой регрессии. Для калибровки и проверки на исторических коэффициентах понадобится Python или R.
Сколько матчей нужно для обучения?
Несколько сезонов одной лиги. На нескольких сотнях матчей модель учит шум, а не закономерности.
Какие данные обязательны?
Результаты, составы, календарь и исторические коэффициенты закрытия. Без коэффициентов не узнать, обыгрываете ли вы рынок.
Подойдёт ли универсальный ИИ вроде ChatGPT?
Он может написать код и обсудить дизайн, но не быть моделью: у него нет данных и калибровки.