Systém pro autonomní sázení s optimální alokací sázek

Abstract

Cílem naší práce bylo najít optimální investiční strategii a ověřit její funkčnost na vhodné doméně sportovního sázení. Zjistili jsme, že pravidlo maximálního geometrického průměru (tzv. ``Kellyho kritérium'') je takovou obecně optimální strategií, a v práci ji analyzujeme jak v matematické tak experimentální rovině. Byť matematicky optimální, její předpoklady jsou jen zřídka splněny, což v praxi vytváří četné problémy plynoucí z nejistoty v odhadech pravděpodobností a výpočetní složitosti při řešení pro množinu souběžných her. V práci představujeme nejrůznější návrhy řešení všech takových omezení, se kterými jsme se setkali při reálných aplikacích této strategie ve sportovním sázení. Navíc představujeme framework pro zátěžové testování sázecích srategií, který umožňuje experimentální analýzu různých sázecích scénářů. Nakonec naše zjištění ověřujeme na reálných datech ze třech různých domén sportovního sázení: dostihy, basketbal a fotbal.

The goal of our work was to find an optimal wealth allocation policy and to verify its functionality on a suitable sports betting domain. We found that the geometric mean policy (``Kelly Criterion'') is a generally optimal strategy and we discuss its optimality both mathematically and experimentally. While mathematically optimal, its assumptions are rarely fully met which presents a set of challenges such as how to deal with errors stemming from innacurate probability estimates and computational difficulty of solving many simultaneous games. We present solution proposals to all the limitations we encountered in applications of the geometric mean policy to sports betting. Moreover, we introduce a stress testing framework for betting strategies which allows for testing of various sports betting scenarios. Finally, we verify our findings on real data from three different domains of sports betting: horse racing, basketball and football.