🥊 โมเดล AI เดิมพันมวยและ UFC

แมตช์มวยที่มองจากข้างเวที — แมตช์มวย ข้อมูลต่อนักสู้น้อยและความแปรปรวนสูงในทุกแมตช์ — ภาพ: Jonas de Carvalho · CC BY-SA 2.0 · Wikimedia Commons

นักสู้แต่ละคนมีแมตช์น้อยมาก โมเดลจึงต้องเรียบง่ายและถ่อมตัว
เส้นทางเหมือนเดิมเสมอ: ความน่าจะเป็น → ราคายุติธรรม → เทียบกับราคาต่อรอง → มูลค่า
Gambeta ตอนนี้ไม่เผยแพร่ทีเด็ดประจำของมวยและ UFC นี่คือคู่มือให้คุณสร้างโมเดลเอง

บันทึกบทความนี้ไว้ ยาวและควรทำตามทีละขั้น โดยเปิดสเปรดชีตไว้ข้างๆ

ความคืบหน้าของคุณจะถูกบันทึกไว้ในเบราว์เซอร์นี้

สร้างโมเดลแมตช์ด้วยแมชชีนเลิร์นนิงได้ไหม

สร้างได้ ภายใต้ข้อจำกัดที่ชัดเจนมาก

มวยและศิลปะการต่อสู้แบบผสม (MMA) เป็นกีฬาที่ปะทะกัน

หมัดเดียวปิดแมตช์ที่กำลังสูสีได้

นั่นทำให้ผลลัพธ์แต่ละครั้งมีความแปรปรวนสูงมาก

นอกจากนี้ข้อมูลยังน้อย

นักฟุตบอลลงเล่น 50 เกมต่อปี

นักมวยชกสองหรือสามครั้งต่อปี

นักสู้ UFC มักชกสองหรือสามครั้งต่อปี

แมชชีนเลิร์นนิงต้องการตัวอย่างจำนวนมากเพื่อเรียนรู้รูปแบบที่เชื่อถือได้

ที่นี่ตัวอย่างน้อย คู่ต่อสู้เปลี่ยน และสไตล์ปะทะกันหลายรูปแบบ

โมเดลแมตช์ที่ดีจึงต้องเรียบง่าย ระมัดระวัง และไม่แน่นอนเสมอ

บทความนี้เป็นคู่มือเรียนรู้การสร้างโมเดล

ตอนนี้ Gambeta ไม่เผยแพร่ทีเด็ดประจำของมวยหรือ UFC

สิ่งที่คุณมีที่นี่คือเครื่องมือและวิธีการให้คุณใช้เหตุผลเอง

ดูตัวแปรอะไรเมื่อสร้างโมเดลแมตช์

โมเดลคือรายการตัวแปรและน้ำหนักของแต่ละตัว

นี่คือตัวที่ใช้บ่อยที่สุดในมวยและ MMA

ตารางบอกว่าแต่ละตัวให้อะไรและมีกับดักอะไร

ตัวแปร	ให้อะไร	กับดัก
อายุ	ร่างกายถดถอยและปฏิกิริยา	ร่างกายแต่ละคนแก่ต่างกัน
ช่วงแขน	ระยะและการคุมเวที	ลดค่าลงถ้าสไตล์เป็นแบบประชิดตัว
สถิติล่าสุด	ฟอร์มล่าสุด	ขึ้นอยู่กับว่าเขาชนะใคร
สไตล์	ปะทะกับคู่ต่อสู้อย่างไร	ใส่เป็นตัวเลขยาก
ประวัติเคโอ	พลังหมัดและความทนกราม	แมตช์น้อย สัญญาณรบกวนมาก
น้ำหนักและการลดน้ำหนัก	สภาพตอนขึ้นตราชั่ง	แทบไม่มีทางรู้จากภายนอก

นักมวยสองคนแลกหมัดกันระหว่างแมตช์มวย — แมตช์มวย สไตล์ของแต่ละคนมีน้ำหนักเท่ากับตัวเลข — ภาพ: Lance Cpl. Chelsea Flowers (U.S. Marine Corps) · Public domain · Wikimedia Commons

อายุ ช่วงแขน และสถิติล่าสุด: สิ่งที่วัดได้

อายุ ช่วงแขน และส่วนสูงมีการเผยแพร่อยู่แล้ว

ใส่ลงสเปรดชีตได้ง่าย

โมเดลที่ทำเองทุกตัวจึงเริ่มจากตรงนั้น

ปัญหาคือนักเดิมพันทุกคนก็เห็นข้อมูลเหล่านี้เช่นกัน

ถ้าตัวแปรเป็นข้อมูลสาธารณะ ราคาต่อรองก็คิดรวมไว้แล้ว

มูลค่าเกิดในสิ่งที่ตลาดวัดได้แย่ที่สุด

ในแมตช์ต่อสู้ มักเป็นระดับที่แท้จริงของคู่ต่อสู้ก่อนหน้า

สไตล์และระดับของคู่ต่อสู้: สิ่งที่ยากกว่า

สถิติชนะห้าครั้งติดไม่บอกอะไรเลยถ้าไม่มีบริบท

ชนะห้าครั้งเหนือคู่ต่อสู้อ่อนมีค่าน้อยกว่าแพ้สองครั้งต่อระดับหัวแถว

โมเดลที่ดีปรับสถิติตามคุณภาพของคู่ต่อสู้แต่ละคน

สไตล์ก็สำคัญเช่นกัน

นักสู้สายบุกกดดันเจอสายสวนกลับ จะแสดงออกต่างจากเมื่อเจอสายลากยาว

แปลงเป็นตัวเลขยาก และข้อมูลก็หายไปตรงนั้น

ทำไมข้อมูลน้อยแต่ความแปรปรวนสูง

ในกีฬาแบบทีม ความผิดพลาดหนึ่งครั้งจางหายไปใน 90 นาที

ในแมตช์ต่อสู้ ความผิดพลาดสองวินาทีตัดสินทุกอย่างได้

นั่นทำให้นักสู้ที่เก่งที่สุดชนะน้อยครั้งกว่าที่ดูเหมือน

มีผลสองข้อสำหรับคุณ

ข้อแรก: โมเดลที่ดีก็ยังแพ้หลายการเดิมพันที่คุ้มค่า

ข้อสอง: สถิติสั้นๆ ไม่ว่าดีหรือแย่ แทบไม่บอกอะไรเกี่ยวกับโมเดล

ถ้าอยากเจาะลึกว่าต้องเดิมพันกี่ครั้งจึงสรุปได้ อ่าน ต้องเดิมพันกี่ครั้งจึงรู้ว่าคุณชนะ

เป็นพื้นฐานของทุกอย่างที่ตามมา

ตลาดไหนสร้างโมเดลได้: ผู้ชนะ วิธีชนะ และยก

ในแมตช์หนึ่งมีตลาดหลักสามตลาด

แต่ละตลาดมีระดับความยากต่างกัน

ตลาด	ผลลัพธ์	ความยาก
ผู้ชนะ	สอง (บางครั้งเสมอ)	ปานกลาง: ง่ายที่สุดในการสร้างโมเดล
วิธีชนะ	เคโอ ตัดสิน อื่นๆ	สูง: ตัวอย่างถูกแบ่ง
ยก	มากกว่าหรือน้อยกว่าไลน์	สูง: ขึ้นกับจังหวะและกรรมการ

เริ่มจากผู้ชนะเสมอ

มีหมวดน้อยกว่าและมีแมตช์ตัวอย่างมากกว่า

เมื่อผู้ชนะใช้ได้แล้ว จึงค่อยลองวิธีชนะและยก

แปลงโมเดลเป็นความน่าจะเป็นอย่างไร

วิธีที่ง่ายที่สุดคือระบบแต้ม

นักสู้แต่ละคนมีคะแนนระดับที่เพิ่มเมื่อชนะและลดเมื่อแพ้

การชนะคู่ต่อสู้ที่แข็งแกร่งได้แต้มมากกว่าการชนะคนที่อ่อนกว่า

ส่วนต่างของคะแนนแปลงเป็นความน่าจะเป็นได้ด้วยสูตรที่รู้จักกันดี

เป็นสูตรเดียวกับที่หมากรุกใช้

เรียกว่าระบบ Elo

ตัวอย่าง: เมื่อต่างกัน 100 แต้ม ระบบ Elo ให้ 64.0% แก่ฝ่ายที่เก่งกว่า

ในราคายุติธรรมคือ 1.56

ตัวเลขเป็นตัวอย่างเพื่อเข้าใจวิธีการ ไม่ใช่ของนักสู้จริงคนใด

Elo เป็นจุดเริ่มต้น

หลังจากนั้นคุณเพิ่มการปรับได้ เช่น อายุ ช่วงแขน สไตล์

แต่ละการปรับต้องขยับความน่าจะเป็นเพียงเล็กน้อย ไม่ใช่มากมาย

เคล็ดลับของความถ่อมตัว: ดึงความน่าจะเป็นเข้าใกล้ 50%

เมื่อข้อมูลน้อย ความน่าจะเป็นสุดโต่งของคุณเกือบทุกครั้งเกินจริง

เทคนิคง่ายๆ คือผสมการประเมินของคุณกับค่ากลาง 50%

เรียกว่าการหดเข้าหาค่ากลาง และช่วยลดความมั่นใจเกินจริง

ตัวอย่าง: โมเดลของคุณบอก 70% และคุณให้น้ำหนักครึ่งหนึ่งกับ 50% ที่เป็นกลาง

ความน่าจะเป็นสุดท้ายอยู่ที่ 60%

ระมัดระวังกว่า และมักให้ผลดีกว่ากับตัวอย่างเล็ก

จากความน่าจะเป็นสู่ราคายุติธรรมและมูลค่า

ราคายุติธรรมคือ 1 หารด้วยความน่าจะเป็น

ถ้าคุณประเมิน 62% ราคายุติธรรมคือ 1.61

ถ้าเว็บเดิมพันจ่ายมากกว่านั้น ก็มีมูลค่าเบื้องต้น

มูลค่าคาดหวัง (EV) วัดว่าโดยเฉลี่ยคุณจะได้เท่าไรต่อหนึ่งหน่วยที่เดิมพัน

คำนวณโดยคูณความน่าจะเป็นกับราคาต่อรองแล้วลบ 1

ข้อมูล (ตัวอย่าง)	การคำนวณ	ผลลัพธ์
ความน่าจะเป็น 62% ราคาต่อรอง 1.80	0.62 × 1.80 − 1	EV +11.6%
ความน่าจะเป็น 58% ราคาต่อรอง 1.80	0.58 × 1.80 − 1	EV +4.4%
ความน่าจะเป็น 58% ราคาต่อรอง 1.70	0.58 × 1.70 − 1	EV −1.4%

ดูสิ่งที่เกิดขึ้น

ความต่างสี่จุดในความน่าจะเป็นเปลี่ยน EV จาก 11.6% เป็น 4.4%

ความผิดพลาดเล็กน้อยของโมเดลลบมูลค่าเกือบทั้งหมด

คุณคำนวณเหล่านี้ได้ด้วยเครื่องคำนวณมูลค่าคาดหวัง

ถ้าจำไม่ได้ว่าราคายุติธรรมคืออะไร ทบทวนความน่าจะเป็นโดยนัย

แมตช์ MMA ในกรงแปดเหลี่ยม — แมตช์ MMA วิธีชนะเพิ่มหมวดและแบ่งตัวอย่างให้น้อยลงไปอีก — ภาพ: Airman 1st Class Riley Johnson (U.S. Air Force) · Public domain · Wikimedia Commons

ระวังมาร์จิ้น: เว็บเดิมพันเก็บค่าธรรมเนียมล่วงหน้า

ราคาต่อรองของเว็บเดิมพันรวมกันไม่ได้ 100%

รวมกันมากกว่าเล็กน้อย

ส่วนที่เกินนั้นคือมาร์จิ้น และเป็นสิ่งแรกที่คุณต้องลบออกจากมูลค่า

ตัวอย่าง: ราคาต่อรอง 1.80 และ 2.05 ในแมตช์หนึ่ง

ความน่าจะเป็นโดยนัยรวมกันได้ 104.34% คือมาร์จิ้น 4.34%

ถ้าไม่มีมาร์จิ้น ตลาดจะบอก 53.2% และ 46.8%

ถ้าโมเดลของคุณบอก 52% สำหรับทีมเต็ง และตลาดบอก 53.2% เมื่อไม่มีมาร์จิ้น ก็ไม่มีความได้เปรียบ

ราคาต่อรอง 1.80 เพียงแค่ดูน่าสนใจ

รายละเอียดเพิ่มใน มาร์จิ้นของเว็บเดิมพันคืออะไร

วิธีชนะและยก: หมวดมากขึ้น ข้อมูลน้อยลง

วิธีชนะถูกแบ่งเป็นหมวด

ชนะด้วยเคโอหรือทีเคโอ ด้วยการตัดสิน ด้วยการซับมิชชัน (ใน MMA) หรือด้วยการตัดสิทธิ์

แต่ละหมวดมีตัวอย่างน้อยมาก

สร้างโมเดลเป็นลำดับ

ก่อนอื่นคือความน่าจะเป็นที่จะชนะ

จากนั้น ภายในการชนะนั้น วิธีชนะแบ่งกันอย่างไร

ตัวอย่าง: ทีมเต็งชนะ 62%

ในการชนะเหล่านั้น 40% เป็นเคโอหรือทีเคโอ

ความน่าจะเป็นที่จะชนะด้วยเคโอ: 24.8% ราคายุติธรรม 4.03

ถ้าเว็บเดิมพันจ่าย 4.00 EV คือ −0.8%

แทบไม่มีมูลค่า แม้ราคาต่อรองจะดูสูง

ยิ่งราคาต่อรองดูสูงมากเท่าไร ก็ยิ่งเชื่อได้ง่ายว่าเป็นของคุ้ม

ยกสร้างโมเดลแบบเดียวกัน

ก่อนอื่นคือความน่าจะเป็นที่จะจบก่อนถึงไลน์

ขึ้นอยู่กับจังหวะ ความทนกราม และจำนวนยกของแมตช์

ประเมินโมเดลอย่างไรเมื่อมีแมตช์น้อยมาก

นี่คือจุดที่ยากที่สุด

ด้วยห้าหรือสิบแมตช์ คุณไม่มีทางรู้ว่าโมเดลดีหรือไม่

คุณอาจโชคดีและเชื่อว่าทายวิธีชนะถูก

ช่วงความเชื่อมั่นช่วยให้เห็นความเสี่ยงนั้น

คือช่วงที่อัตราทายถูกจริงของคุณอาจอยู่ ตามที่คุณวัดได้

ตัวอย่าง (สมมติ)	ทายถูก	ช่วงที่เป็นไปได้
8 แมตช์	6 จาก 8 (75%)	41% ถึง 93%
80 แมตช์	60 จาก 80 (75%)	65% ถึง 83%

อัตราทายถูก 75% เท่ากันทั้งสองแถว

เมื่อมี 8 แมตช์ ค่าจริงอาจต่ำได้ถึงราว 41% ซึ่งเป็นผลงานที่ธรรมดา

เมื่อมี 80 แมตช์ ช่วงแคบลงมาก

วิธีประเมินที่ดีกว่าคือคะแนน Brier

วัดว่าความน่าจะเป็นของคุณห่างจากผลลัพธ์แค่ไหน ไม่ใช่แค่ทายถูกหรือไม่

ยิ่งใกล้ 0 ยิ่งดี

ตัวอย่าง: ห้าแมตช์ที่มีความน่าจะเป็น 70%, 60%, 65%, 80% และ 55% ได้ Brier 0.203

การบอก 50% ทุกครั้งได้ 0.250

เมื่อมีกรณีน้อยขนาดนี้ ความต่างนั้นยังเป็นเพียงสัญญาณรบกวน

กฎปฏิบัติสองข้อ

ข้อแรก: เก็บทุกความน่าจะเป็นไว้ก่อนแมตช์ ไม่ใช่หลังแมตช์

ข้อสอง: อย่าเปลี่ยนโมเดลเพราะผลลัพธ์เดียว

อคติที่โมเดลไหนก็มองไม่เห็นง่ายๆ

มีหลายอย่างที่สำคัญมากแต่ไม่อยู่ในฐานข้อมูลใดเลย

คือจุดบอดของโมเดลแมตช์ทุกแบบ

อาการบาดเจ็บที่ซ่อนอยู่: นักสู้อาจมาพร้อมมือหรือเข่าที่เจ็บและไม่มีใครบอก
การลดน้ำหนัก: ลดน้ำหนักมากในไม่กี่วันอาจทำให้ไม่มีแรงในวันแข่ง
สนามเหย้าและกรรมการ: ในการตัดสินที่สูสี สถานที่และกรรมการเอียงผลได้
การเปลี่ยนแปลงนาทีสุดท้าย: คู่ต่อสู้ตัวสำรอง แมตช์ที่ยกเลิก รุ่นที่เปลี่ยน
ข้อมูลเก่า: นักสู้เมื่อสามปีก่อนไม่ใช่คนเดียวกับวันนี้เสมอไป

เมื่อเผชิญจุดบอดเหล่านี้ โมเดลต้องระมัดระวัง

ถ้าแมตช์มีสิ่งที่ไม่รู้มากเกินไป การตัดสินใจที่ดีที่สุดอาจเป็นการไม่เดิมพัน

นักสู้ MMA สองคนบนพื้นกรงระหว่างแมตช์ — แมตช์ MMA สิ่งที่เกิดบนพื้นเปลี่ยนวิธีชนะและแทบไม่เคยเห็นในตัวเลข — ภาพ: Airman 1st Class Riley Johnson (U.S. Air Force) · Public domain · Wikimedia Commons

เดิมพันเท่าไรถ้าพบมูลค่า: เงินเดิมพันที่รอบคอบ

การพบมูลค่าไม่ได้บอกว่าควรเดิมพันเท่าไร

เกณฑ์ Kelly คำนวณเศษส่วนของแบงก์โรลตามความได้เปรียบที่คุณเชื่อว่ามี

ปัญหาคือขึ้นอยู่กับว่าความน่าจะเป็นของคุณถูกต้องหรือไม่

ตัวอย่าง: ความน่าจะเป็น 62% และราคาต่อรอง 1.80

Kelly เต็มแนะนำ 14.5% ของแบงก์โรล

หนึ่งในสี่ของ Kelly คือ 3.6% ซึ่งสมเหตุสมผลกว่ามากเมื่อโมเดลไม่แน่นอน

สำหรับโมเดลที่ข้อมูลน้อย ให้ใช้เศษส่วนของ Kelly เสมอ

ลองในเครื่องคำนวณ Kellyแล้วเปรียบเทียบ

การมีเพดานคงที่ต่อแมตช์ก็ช่วยด้วย

ทีละขั้น: โมเดลแมตช์แรกของคุณในสเปรดชีต

เลือกตลาดเดียว
เริ่มจากผู้ชนะของแมตช์ในรุ่นน้ำหนักเดียว ตัวแปรน้อยลง ความผิดพลาดน้อยลง
สร้างฐานข้อมูล
หนึ่งแถวต่อแมตช์: วันที่ นักสู้ ผล วิธีชนะ และยก จดแหล่งที่มาของแต่ละข้อมูล
กำหนดคะแนนเริ่มต้น
ให้คะแนนเท่ากันกับทุกคนแล้วปล่อยให้ขึ้นหรือลงตามแต่ละผล นี่คือระบบ Elo
แปลงส่วนต่างเป็นความน่าจะเป็น
ใช้สูตร Elo และดึงผลเข้าใกล้ 50% ถ้านักสู้มีแมตช์น้อย
คำนวณราคายุติธรรมและตัดมาร์จิ้น
ราคายุติธรรม = 1 / ความน่าจะเป็น เทียบกับราคาต่อรองของเว็บเดิมพันที่ตัดมาร์จิ้นแล้ว
บันทึกก่อน ประเมินทีหลัง
เก็บทุกความน่าจะเป็นก่อนแมตช์ ประเมินเมื่อมีหลายสิบแมตช์เท่านั้น ไม่ใช่ห้า

ถ้าอยากให้ AI ช่วยเขียนโค้ดของสเปรดชีต ดูวิธีสร้างและฝึก AI ของคุณเองสำหรับการเดิมพัน

วิธีเดียวกันใช้ได้

Gambeta ทำอะไรและไม่ทำอะไร

ขอพูดให้ชัดเจน

ตอนนี้ Gambeta ไม่เผยแพร่ทีเด็ดประจำของมวยหรือ UFC

เราจะไม่เสนอสิ่งที่เราไม่มี

สิ่งที่คุณใช้ได้:

เครื่องคำนวณฟรีสำหรับมูลค่า Kelly และมาร์จิ้น และ Jornal de Apuestas เพื่อดูว่าโมเดลของเราคิดอย่างไรกับกีฬาอื่น

ทุกอย่างที่เราเผยแพร่อยู่ในประวัติสาธารณะ

ถ้าสนใจวิธีหามูลค่า พื้นฐานเหมือนกันในทุกกีฬา

อ่าน value betting แล้วกลับมาที่คู่มือนี้พร้อมสเปรดชีตที่เปิดไว้

ปิดท้าย: การสร้างโมเดลคือการเรียนรู้ ไม่ใช่การชนะแน่นอน

การสร้างโมเดลแมตช์บังคับให้คุณคิดดีขึ้น

มันแสดงว่าคุณรู้อะไร สมมติอะไร และไม่รู้อะไร

นั่นคือคุณค่าที่แท้จริงของแบบฝึกหัดนี้

โมเดลไม่รับประกันอะไร

ในกีฬาปะทะ ความแปรปรวนมหาศาลและตัวอย่างน้อย

ถ้าเดิมพัน ให้มีเพดานคงที่และไม่ไล่ตามการขาดทุน

เนื้อหานี้สำหรับผู้มีอายุ 18 ปีขึ้นไปเท่านั้น

ถ้ารู้สึกว่าคุมตัวเองไม่ได้ อ่านการเดิมพันอย่างรับผิดชอบ

เพื่อไปต่อตามบันไดของชุดบทความนี้ ก้าวถัดไปที่เป็นธรรมชาติคือคู่มือฉบับสมบูรณ์ AI สำหรับการเดิมพัน

คำถามที่พบบ่อย

ทำนายแมตช์มวยหรือ UFC ด้วย AI ได้ไหม

ประเมินความน่าจะเป็นได้ แต่ทำนายผลไม่ได้

แมตช์หนึ่งเปลี่ยนได้ด้วยหมัดเดียว

โมเดลที่ดีให้ช่วงความน่าจะเป็นและช่วยตัดสินว่าราคาต่อรองคุ้มหรือไม่

ตัวแปรอะไรสำคัญที่สุดในแมตช์

ไม่มีตัวเดียว

ที่ใช้บ่อยคือ อายุ ช่วงแขน สถิติล่าสุด ระดับของคู่ต่อสู้ก่อนหน้า สไตล์ และวิธีที่แมตช์ของเขาจบลง

ไม่มีตัวใดพอตามลำพัง ต้องรวมกันและทดสอบ

ต้องมีกี่แมตช์จึงจะเชื่อโมเดลได้

มากกว่าที่นักสู้คนใดคนหนึ่งมี

ถ้าประเมิน 8 หรือ 10 แมตช์ ผลอาจเกิดจากความบังเอิญ

วิธีที่ถูกต้องคือวัดด้วยหลายร้อยแมตช์ และไม่ไว้ใจสถิติสั้นๆ ใดๆ

ควรสร้างโมเดลตลาดไหนก่อน

ผู้ชนะ เพราะมีสองผลลัพธ์และมีตัวอย่างมากกว่า

วิธีชนะและยกเป็นเรื่องยากกว่า เพราะแบ่งเป็นหมวดมากกว่าและแต่ละหมวดมีข้อมูลน้อยกว่า

Gambeta เผยแพร่ทีเด็ดมวยหรือ UFC ไหม

ตอนนี้ไม่ ในรูปแบบประจำ

ทีเด็ดของ Gambeta เน้นกีฬาและตลาดอื่น

สิ่งที่เรามีคือเครื่องมือฟรีสำหรับคำนวณมูลค่า มาร์จิ้น และเงินเดิมพัน รวมถึง Jornal เพื่อดูว่าโมเดลของเราคิดอย่างไร

โมเดลรับประกันว่าจะชนะไหม

ไม่

โมเดลเพียงจัดความไม่แน่นอนให้เป็นระเบียบ

อาจผิดพลาดได้ และมาร์จิ้นของเว็บเดิมพันก็ทำงานต่อต้านคุณ

เดิมพันเฉพาะเงินที่คุณเสียได้ และเฉพาะเมื่ออายุ 18 ปีขึ้นไป

โมเดล AI สำหรับเดิมพันมวยและ UFC: วิธีสร้างโมเดลของแมตช์