Využívání příležitostí na sázkařských trzích pomocí strojového učení
Exploiting betting market inefficiencies with machine learning
Type of document
diplomová prácemaster thesis
Author
Hubáček Ondřej
Supervisor
Šourek Gustav
Opponent
Drchal Jan
Field of study
Umělá inteligenceStudy program
Otevřená informatikaInstitutions assigning rank
katedra počítačůRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
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.
Collections
- Diplomové práce - 13136 [892]