Strojové učení v bojových sportech

Abstract

Tato bakalářská práce zkoumá příležitosti pro generování profitu na sázkařských trzích pro smíšená bojová umění (MMA) za pomoci strojového učení. Oficiální data z Ultimate Fighting Championship (UFC) byla shromážděna za účelem předpovídání výsledků budoucích zápasů pomocí navržené neuronové sítě. Experimentální ztrátové funkce byly použity ke snížení korelace s předpovědmi bookmakera s cílem využít výhodnější pozice sázkaře v porovnání s bookmakerem. Kellyho kritérium a jeho alternativní podoba pro více souběžně konaných zápasů byly následně aplikovány jako kritérium pro alokaci finančních zdrojů na sázkařské příležitosti. Pro zhodnocení navrženého modelu společně s dvěma strategiemi sázení byla využita metoda bootstrap, která zvyšuje pravděpodobnost, že dosažený profit není výsledkem náhody.

This work examines the opportunities for profit generation on the mixed martial arts (MMA) betting market using machine learning. Official data from the Ultimate Fighting Championship (UFC) was acquired and processed to be used by the proposed neural network model to predict fight outcomes. Experimental loss functions decreasing correlation with bookmaker's estimates were used in the training process to exploit the discussed advantage a bettor holds over a bookmaker. The Kelly Criterion and its alternative for simultaneous games were then applied as wealth allocation policies on historical odds. The model and the two betting strategies were assessed using the bootstrap method to rule out any randomness of the achieved betting returns.