باختن: راز موفقیت در شرط بندی؟

– آیا باختن راز موفقیت در شرط بندی است؟
– تحلیل نقاط ضعف مدل

قماربازان اغلب روی ایده موفقیت در شرط بندی تمرکز می کنند. مردم می خواهند تا جایی که ممکن است کم شکست خورده و تا جایی که می توانند پیروز شوند. اندرو مک، نویسنده مدل های آماری ورزشی در اکسل، معتقد است که باخت می تواند رمز موفقیت در شرط بندی باشد. او در اولین مقاله خود برای پیناکل، دلیل آن را توضیح می دهد.

• مقاله بهترین سایت شرط بندی جهان را مطالعه کنید.

باختن: راز موفقیت در شرط بندی؟

کالوین کولیج: “هیچ چیز در این دنیا نمی تواند جای پایداری را بگیرد. استعداد نیست: هیچ چیز از کسانی که ناموفق و در عین حال با استعداد هستند مرسوم نیست. نبوغ هم نیست. نبوغ بدون پاداش تقریباً یک ضرب المثل است. آموزش هم نیست: جهان پر از تحصیل کرده های بی کس و کار است. پایداری و عزم به تنهایی قادر مطلق است.”

وقتی صحبت از مدل سازی ورزشی می شود، شکست می تواند رمز موفقیت نهایی باشد.

در این مقاله می خواهم شما را از طریق یک روش ساده برای استنتاج نتایج احتمالی 1X2 از یک بازی NHL را از طریق شبیه سازی، راهنمایی کنم. برای شروع، ابتدا از طریق یک الگوی اولیه مدل که شما می توانید به راحتی در Excel برای خود ترسیم کنید، کار خواهیم کرد. این مدل ساده اما کاربردی خواهد بود.

• بخوانید: بهترین استراتژی شرط بندی تنیس را مشاهده کنید.

با این حال، هدف واقعی من از به اشتراک گذاشتن این موضوع با شما معرفی برخی از عناصر مورد بحث در مدل سازی ورزشی است: شکست، تجزیه و تحلیل انتقادی با استفاده از دانش دامنه و عیب زدایی.

این می تواند یک حقیقت شگفت آور در ساخت مدل باشد که شما اغلب از باخت های خود بیشتر از موفقیت های خود یاد بگیرید. برای این منظور، هنگامی که این مدل را کنار هم قرار دادیم و فرآیندی اساسی ایجاد کردیم، نقاط ضعف مدل را به صورت انتقادی تحلیل خواهیم کرد تا به دنبال فرصت هایی برای بهبود آن باشیم. با انجام این کار امیدوارم در طولانی مدت حتی از هر یک از مدل ها ارزشمندتر به شما ارائه بدهم – یک فرآیند عیب یابی برای بهبود ایده های خود تا زمانی که آنها به اندازه کافی کارساز نباشند تا بتوانند با موفقیت در شرط بندی رقابت کنند. بریم شروع کنیم.

• همچنین بخوانید: آموزش بازی افنجار

مرحله 1: برخی از داده ها را جمع آوری کنید

برای شروع، ما به برخی از داده ها نیاز خواهیم داشت. بیایید به Hockey-Reference.com برویم و تمام داده های نتیجه بازی فصل NHL 2019-2020 امسال را در صفحه گسترده اکسل کپی و پیست کنیم.

ما فقط با استفاده از این داده های ساده نتیجه بازی می توانیم مقدار شگفت انگیزی از تحلیل را انجام دهیم. به عنوان مثال، ممکن است بخواهیم میانگین تعداد گل های خورده برای تیم های خانگی و میهمان، واریانس گل های خورده یا دفعات وقت اضافه را بدانیم.

اگر از توابع AVG و VAR در Excel استفاده کنیم، می توانیم ببینیم که تیم های میزبان به طور متوسط 3.30 گل در هر بازی دارند در حالی که تیم های خارج از خانه به طور متوسط 2.85 گل به ثمر می رسانند. واریانس این گل ها به ترتیب 85/2 و 62/2 است. وقت اضافه تاکنون در این فصل تقریباً 26.81٪ از زمان انجام شده است. حداقل، داده های خود را بدست آورده ایم. حال بیایید توزیع نتیجه هدف خود را شناسایی کنیم.

مرحله 2: توزیع نتیجه هدف ما را نظاره کنید

بیایید فرض کنیم نتیجه هدف ما تعداد گل های به ثمر رسیده برای هر تیم باشد، که اگر بخواهیم پیش بینی کنیم چه کسی احتمالاً برنده است و تقریباً هر چند وقت یک بار اینطور میشود، کاملاً ساده به نظر می رسد. مفید است که بدانیم وقتی بعداً تلاش می کنیم انتظارات پیش بینی شده خود را به احتمالات تبدیل کنیم، این داده ها تقریباً در چه نوع توزیع آماری قرار می گیرند.

• بهترین استراتژی شرط بندی بسکتبال مطالعه کنید.

به نظر می رسد توزیع پواسون برای داده های ما مناسب است. در اینجا جای تعجب نیست، زیرا سالهاست که این مورد توسط محققان مختلف آماری مورد مطالعه و تفسیر قرار گرفته است. اجازه دهید این اطلاعات توزیعی را در ذهن خود حفظ کنیم. خیلی زود مفید خواهد شد.

مرحله 3: برای هر تیم یک حریف مورد انتظار متناسب ایجاد کنید

ما داده های خود را داریم، یک نتیجه هدف داریم و یک توزیع احتمال داریم. اکنون ما به یک مدل نیاز داریم تا پیش بینی پایه ای خود را برای هر بازی بدست آوریم. برای این مثال من از یک ساختار مدل ساده استفاده خواهم کرد که میانگین گل های خورده برای تیم مقابل و یا در موقعیت خارج از خانه را می گیرد و میانگین آنها را با هم به دست می آورد. عملکرد به صورت زیر خواهد بود:

تعداد گل ها برای = (میانگین گلها برای + میانگین گلها در برابر حریف) / 2

• بهترین روش های شرط بندی فوتبال کدامند؟

با انجام این روش، ما حمله، دفاع و مزیت تیم میزبان را حساب کردیم (البته به روشی ساده). با استفاده از بازی سناتورهای نیویورک رنجرز و اتاوا از 22 نوامبر، می توانیم ببینیم که مدل ما انتظار داشت اتاوا 3.43 گل و نیویورک 2.73 گل به ثمر برساند. فقط با نگاه کردن به این مسئله به ما می گوید که مدل ما با توجه به آنچه می داند انتظار پیروزی اتاوا را داشت.

مرحله 4: شبیه سازی نتایج برای انعکاس تصادفی بودن

اکنون که از هر دو تیم انتظار گل داریم، باید راهی برای تبدیل این انتظارات به احتمالات داشته باشیم. همانطور که در کتاب خود با عنوان “مدل های آماری ورزشی در اکسل” ارائه دادم، یک روش معمول برای انجام این کار استفاده از یک ماتریس رقابتی پواسون است. انجام این کار در اکسل با استفاده از تابع POISSON نسبتاً آسان است.

اگرچه یک نقطه ضعف بالقوه در این روش این است که تصادفی بودن گلزنی را خیلی خوب در نظر نمی گیرد. برای اینکه بتوانیم تصویری بهتر از چگونگی پایان یافتن این بازی بدست آوریم، قصد داریم در اینجا با استفاده از شبیه سازی پواسون، چیزی کمی متفاوت را امتحان کنیم. برای این کار ما از تابع تولید اعداد تصادفی اکسل استفاده خواهیم کرد.

• مقاله بهترین آموزش شرط بندی بسکتبال را مطالعه کنید.

با فرض اینکه ابزار تحلیلی داده ها را در نسخه اکسل خود نصب کرده اید، بر روی “دیتا” کلیک کنید، سپس “Data Analysis” را برگزینید و در آخر “Random Number Generation” را بزنید.

کاری که این روش برای ما انجام خواهد داد شبیه سازی 1000 بازی با استفاده از انتظارات گل ما برای هر تیم است. سپس می توانیم فرکانس برنده شدن هر تیم، فرکانس وقت اضافه یا هر چیز دیگری را که ممکن است دوست داشته باشیم بدانیم محاسبه کنیم.

بیایید “1” را به عنوان تعداد متغیرها، “1000” را به عنوان تعداد اعداد تصادفی (بازی های شبیه سازی شده)، “پواسون” را به عنوان توزیع و اهداف مورد انتظار نیویورک (2.73) را به عنوان lambda وارد کنیم. هنگامی که مکان مناسب صفحه گسترده خود را در جایی که می خواهیم نتایج حاصل شود انتخاب کنیم، بر روی “تأیید” کلیک کرده و اجازه می دهیم مولد اعداد تصادفی عملیات خود را انجام دهد.

پس از اتمام شبیه سازی، ما به سادگی همین کار را برای اتاوا انجام می دهیم و اطمینان حاصل می کنیم که نتایج را در کلوم مجاور مناسب در شیت وارد نماییم.

مرحله 5: تبدیل به احتمالات

اکنون که شبیه سازی های ما برای هر دو تیم به پایان رسیده است، باید دفعات وقوع یک برد خانگی (تیم میزبان)، یک برد خارج از خانه (میهمان) و یک تساوی قانونی را محاسبه کنیم. برای این کار یک کلوم یا ستون اضافی به شیت خود اضافه می کنیم که حاشیه پیروزی تیم میزبان [MOV] را محاسبه می کند. سپس ما حساب خواهیم کرد که از چه مقدار از هر هزار بار MOV تیم میزبان بزرگتر از صفر، کمتر از صفر و دقیقاً صفر است.

این به ما احتمالاتی را می دهد که می توانیم برای برآورد نرخ برای تیم میزبان، برد تیم میهمان و یک تساوی قانونی تخمین بزنیم. پس از انجام این کار، مدل قیمت منصفانه نیویورک را 3.247، قیمت منصفانه اوتاوا را 1.855 و قیمت منصفانه را برای کراوات مقرره، 6.536 تخمین زده است. سپس می توانیم در جستجوی ارزش شرط بندی، این قیمت های تخمینی را با قیمت های بازار مقایسه کنیم.

برای دریافت آموزش های شرط بندی بیشتر، به منابع مقاله های ورزشی و کانال پیش بینی فوتبال ما سر بزنید.