Могут ли неудачи в ставках быть причиной успеха?

Могут ли неудачи в ставках быть причиной успеха?

В представленном материале Мэк наглядно демонстрирует свою методику, выражая ее в примерах ставок на денежную линию (победа 1, ничья, победа 2) матчей НХЛ. Эксперт предлагает игрокам лично рассмотреть начальный вид своей стратегии, который можно без наличия особых навыков создать в электронной таблице Excel.

Начальная задача автора – демонстрация определенных аспектов и элементов, которые применяются в спортивном моделировании. Среди них: неудачные серии в ставках, умение исправлять собственные недостатки, проведения критического анализа.

Для многих бетторов факт того, что в основе создания надежных игровых схем в учет берутся неудачи, может показаться весьма удивительным. Если изучить представляемую методику, взяв за основу базовые понятия ее применения, мы проведем критический анализ на наличие и изъянов, что предоставит понимание того, возможно ли ее максимально улучшить. Автор преследует задачу создания стратегии, способной работать на долгосрочной перспективе, в ходе которой, игрок сам будет исправлять ошибки, тем самым оттачивая умения анализировать матчи и интегрировать в систему свои идеи.

Шаг первый – сбор данных

На первом этапе пользователю необходимо собрать информацию. В нашем случае это основные результаты матчей НХЛ в сезоне 2019/2020. Их необходимо скопировать в электронную таблицу в следующем виде:

Собранный массив данных не дает возможности получить важную информацию. Предположим, что мы хотим узнать средние показатели результативности матчей в разрезе хозяев льда и гостей, или же, процентное соотношение поединков, которые заканчивались за пределами основного времени.

Применив в электронной таблице опции VAR и AVG, можно за считанные минуты произвести автоматический подсчет среднего количества шайб, которые забрасывают команды. В демонстрируем случае показатель для хозяев составит 3,3, а гостей 2,85. Также программа нам подсчитает, что 26,81% сыгранных матчей в сезоне заканчивались в овертаймах. Теперь у нас есть информация, приступаем к распределению итогового результата.

Шаг второй – распределение по целевому результату

Допустим, что игрок применяет данную методику для моделирования данных о результативности каждой команды. Это даст ему возможность прогнозировать количество заброшенных шайб участниками встречи и, соответственно, победителя поединка.

Не будет лишним информация о том, к какой классификации статистики будут относиться эти показатели. Эти данные пригодятся во время преобразования ожиданий в вероятность наступления исхода.

Игрок точно знает, что сумма заброшенных шайб в матчах Национальной хоккейное лиге, это ничто иное, как счетные данные дискретного сегмента, ведь поразить ворота соперника хоккеист может множеством способов. Это подтверждает распределение Пуассона, которые можно создать в электронной таблице с применением необходимых инстурментов:

Методика (Пуассона) как нельзя кстати нам подходит, ведь она проводила тестирование на протяжении длительного временя во многих направлениях. Информацию о распределении пока отложим в сторону.

Шаг третий – корректируем прогноз для каждой команды

Мы получили цифры и определили целевой результат. На следующем этапе необходимо создать структуру модели, которая даст возможность составлять базовый прогноз на каждый матч. Для этого будем применять обычную схему, которая способна учитывать среднюю результативность команд с учетом домашних и гостевых матчах, а также соперников. Функция получит следующий вид:

Количество шайб за команду = (Среднее количество шайб за команду + Среднее количество шайб против оппонента)/2

Как видим, в учет берутся данные о игре команд в атаке и обороне, а также фактор домашней или гостевой арены. Теперь применим данную модель на матче, в котором встречались «Нью-Йорк» и «Оттава». Матч состоялся 22 ноября, а прогноз на него был таковым: «Нью-Йорк» запросит 2,73 шайбы, «Оттава» — 3,43. Как видим, методика смоделировала победу канадской команды.

Шаг четвертый – выполняем моделирование результатов с учетом фактора случайности

Мы получили показатели предполагаемого количества шайб, которые забросят обе команды. Теперь эту информацию необходимо трансформировать в ожидаемую вероятность. Для этого опять возвращаемся к матрице Пуассона – данная функция также доступна в Excel.

Единственный изъян данной методики – она не берет в учет наличие случайности. Для получения более точного прогноза на результат поединка, применим моделирование процесса подсчета по Пуассону, воспользовавшись опцией генерации случайных числе в электронной таблице:

В нашем примере будет смоделирована тысяча матчей, для которых будут использоваться ожидания для каждой команды. После этого у нас будет возможность определить частоту, наличия овертаймов и т.д.

Для размера переменных возьмем единицу (1), и 1000 для количества случайных чисел. Для применения возьмем тот же метод Пуассона и добавим ожидаемую результативность для «Нью-Йорк», а именно – 2,73. Запускаем произведение расчетов, кликнув по кнопке «ОК».

После того, как программа рассчитает данные, по аналогии проводим расчеты для «Оттавы», предварительно проверив, что данные будут транслироваться в рядом стоящем столбике.

Шаг пятый – конвертация ожидания в процент вероятности

Мы провели моделирование для обоих участников матча. На следующем этапе необходимо вычислить шансы на основные исходы встречи – победа 1, ничья или победа 2. Для этого добавим еще один столбец, в котором будет указан результат принимающей команды. Дальше определим, в каком количестве случаев из тысячи, этот показатель будет больше, меньше или равен нулю.

Это даст нам возможность определить котировку, которая будет соответствовать исходу победы хозяев, ничьи или победы гостей. В данном случае коэффициенты будут распределены следующим образом:

• Победит «Нью-Йорк» — 3.247
• Ничья – 6.536
• Победит «Оттава» — 1.855

После этого сравниваем полученные котировки с теми, которые предлагает букмекер, тем самым определяя переоцененные коэффициенты, что даст возможность сделать выгодную ставку.

Недостатки модели

В рассмотренном матче «Оттава» одержала победу по итогам основного времени. Но это не означает, что игрок получил в свое распоряжение методику без изъянов. Стоит понять, что модель правильно сгенерировала успех лишь единожды и назвать ее беспроигрышной, никак нельзя.

Автор статьи не дает рекомендаций ориентироваться исключительно на данную методику. Но у начинающих игроков, вполне логично может возникнуть вопрос – почему эта стратегия может оказаться убыточной? На практике беттор может проделать огромный массив работы, собрав необходимые данные и произведя расчеты, но итоговый результат окажется неудачным и ему предстоит проделывать работу заново, опять тратить много сил и времени.

При этом, окончательно методику списывать со счетов также не стоит. Именно на этапе неудачи будет начинаться основная работа по ее применению. Здесь пригодиться утверждение о том, что наличие изъянов в стратегии является сообщением о том, что она не способна работать безубыточно. Теперь, нужно определить – на каком этапе и при каких раскладах происходят сбои в ее работе.

В проделывании данной работы придется изучать фундаментальные отклонения системы и те факторы, которые были упущены при формировании модели. Возможно, те ошибки, которые допустил игрок, и оказались критическими? Дальше автор предлагает собственные рекомендации о том, как модернизировать систему и максимально лишить ее проблемных мест.

Начальные данные

Для определения ошибок, которые были допущены при моделировании, разберем составляющие системы более подробно. Изначально стояла простая задача – определить предполагаемо количество шайб в матче.

Но здесь есть некоторые особенности, которые следует учитывать. Информация о результативности команд дает возможность спрогнозировать итоговый результат. Но исходы спортивных событий всегда сопровождаются существенными отклонениями, на которые может влиять случайность.

Чем больше происходит непредвиденных действий, чем выше показатели статистического шума в результатах спортивных матчей. Это утверждение применимо и к хоккейным событиям, для которых мы не проводили моделирования отклонений. Это и стало причиной неудовлетворительных результатов методики.

Среди главных неожиданностей, которые могут случиться в хоккейном поединке: голы в пустые ворота, необоснованные удаления, рикошеты, удары локтями по шайбе и т.д. При наличии любого из данных факторов, взятие ворот фиксируется. Возможно, эти аспекты необходимо рассматривать, как преимущество одного из участников матча? По убеждению автора методики, этого делать не стоит. Важней сконцентрироваться на важности анализа статистики.

Получается, что, чем больше игрок определит факторы случайности, которые могут привезти к заброшенным шайбам, тем точней он сможет спрогнозировать результативность и исход. Из вышеуказанного делаем первый вывод – сводим шансы случайностей повлиять на целевой результат до минимума.

Недостатки стратегии

Любая стратегия, которая применяется игроком при размещении ставок на спорт, имеет собственные недостатки. Задачей игрока является устранение изъянов в системе при их обнаружении.

В нашей методики применяется допущение того, что результативность команд НХЛ представляет собой показатель их ожидаемого преимущества над соперником. Такой подход явно не из лучших. Дальше вновь вернемся к распределению Пуассона, которое, как нам казалось, четко вписывается в решение наших задач.

Но после проведенного анализа средней результативности с учетом отклонений, нам удалось констатировать факт: средние показатели для домашних и гостевых команд не являются одинаковыми. Очевидно, что в обоих ситуациях применялся недостаточно широкий массив данных.

Этот факт может существенно повлиять на успешность методики, так как было допущено фундаментальное упущение. Если погрешность оказывается выше среднего значения, рациональней применять отрицательное распределение по биномиальному принципу. Если же отклонение не превышает средние показатели, действуем по первой схеме – применяем схему Пуассона.

Но если брать в учет выборку с большим количеством матчей, отклонение для хозяев и гостей может быть приблизительно одинаковым. В таком случае необходимо применять совершенной иной подход к распределению. На этом этапе проводит тщательную проверку модели и правильно распределяем ее функции.

Источники погрешностей, которые мы не учли

Напоследок изучите направления, по которым могут поступать погрешности. Здесь в помощь могут прийти примеры конкретных матчей. Формируя модель, мы брали в учет факт того, что сила команды это стабильная величина.

В расчет не брались травмы основных хоккеистов, замен и т.д. К примеру, сумеет ли «Эдмонтон» стабильно показывать качественную игру с лидером команды Коннором Мак Дэвидом и во время его отсутствия? Логично предположить, что результаты команды в обоих случаях будут существенно отличаться.

Мы также считали ожидаемую результативность команд без учета того, какой из вратарей будет на льду. Это также стоит считать весомым допущением, поскольку основные голкиперы по статистике пропускают меньше шайб, чем резервные.

Есть также ряд других ключевых факторов, которые не применялись в моделировании: судьи, физическая форма хоккеистов, насыщенность календаря и т.д. Поэтому, для определения четкого списка факторов, которые стоит учитывать, игрок должен владеть высоким уровнем знаний в данном направлении.

По итогу мы разобрались, в чем крылись проблемные места нашей стратегии, а также определили, какие действия помогут ее улучшить.