Využívání příležitostí na sázkařských trzích pomocí strojového učení

Abstract

Cílem naší práce bylo najít způsob, jak profitovat na sázkařském trhu pomocí strojového učení. Zatímco vědecké práce se v minulosti hojně věnovaly otázce, zda lze vytvořit model, který bude přesnější než bookmaker, ziskovosti modelů nebyla věnována dostatečná pozornost. Tvrdíme, že zisk není důsledkem pouze samotné přesnosti. Místo toho navrhujeme dekorelaci od predikcí bookmakera, stále však nezapomínaje na přesnost predikce. Dále představujeme inovativní přístup k agregaci statistik hráčů pomocí konvolučních neuronových sítí. V neposlední řadě ukazujeme využití "Modern Portfolio Theory", matematického rámce pro optimalizaci portfolia, v kontextu sázení pro porovnávání různých sázecích strategií. Námi navržené modely byly v souhrnu 15 sezón NBA ziskové. Není nám známo, že by doposud byla zveřejněna práce podobného rozsahu.

The goal of our work was to find a way to profit from betting market using machine learning. While a lot of research has been devoted to determining whether a bookmaker can be beaten in terms of accuracy, surprisingly little attention was paid to evaluating the profitability of statistical models over the bookmaker. We argue that the profit is not solely affected by the models' accuracy. Instead, we encourage decorrelation of the models' output from the bookmaker's predictions, while keeping the accuracy reasonably high. Moreover, we introduce a novel approach of aggregating player-level statistics using convolutional neural networks. Last but not least, we illustrate the use of Modern Portfolio Theory, a mathematical framework for portfolio optimization, in the context of betting for comparison of diverse betting strategies. Our proposed models were able to achieve a positive profit totaling over the course of 15 NBA seasons. To the best of our knowledge, no work of similar scale has been done and made publicly available before.