Bra värde på lågt odds
 

South Africa - Premier League - Pretoria U. - Orlando Pirates, 19:15

En snabbanalys ger ett bra värde på exempelvis <3.5 mål, med en standard avvikelse i marginal fås oddset 1.12 och kan spelas till 1.20 vid de flesta bookies, dvs ett värde på 7 %.

Har ni någon annan uppfattning, tycker ni att jag har fel så kommentera gärna!

Bra värde på lågt odds 2
 

Italy - Seria A - Genoa - Lazio, 2045

Bra värde på lågt odds, jag lirar <3.5 mål, till oddset 1.25.

Beräknat odds till 1.17 (med en marginal på 1 standardavvikelse).

Dagens högsta värde 18 %
 

Mexico - Primera Division - Club America - Santos Laguna, 24:00

Mitt bästa fynd idag, beräknat odds 1.18, det går att spela till 1.38 (<3.5 mål). Det ger ett värde på närmare 18 %

Hur beräknar du dessa odds?

Tycker nog kvalitén på "rekarna" sjunkit en aning på slutet. :rolleyes:

Jag har en beräkningsmodell som jag matar med indata (statistik, övrig information etc)

Jag är inte speciellt intresserad av sport, det är min fru som är sportnörden, mitt intresse ligger i beräkningar.

Gå och lägg dig gamla gubbe, det är en ny tid nu.

New Zealand, Canterbury - Auckland City, 04:35

Jag spelar på totalt antal mål <4,5 @ 1.42 med ett värde på 14 %.

Värdet är självfallet lite lite högre (ganska mycket också) på de lägre resultaten men jag spelar inte enbart på det högsta värdet utan siktar på högre vinst sannolikhet som passar min strategi i detta fall.

Germany-Regionalliga Nordost, Berliner AK 07 - Nordhausen, klockan 13:00

Jag spelar på totalt antal mål <3.5 till oddset 1.29, med ett värde på ~10 %

Italy - Serie D Group C, Virtus Verona - Campodarsego, klockan 14:30

Jag spelar totalt antal mål <3.5 till oddset 1.35 med ett värde på ~10 %.

Vilka metoder använder du för beräkning?

Det beror lite på, hur svårt problemet är, ibland räcker det med enklare modeller (exempelvis Markov) men ibland går det bara att lösa genom simulering (exempelvis Monte Carlo).

Ser att dina tips ovan är ett binärtproblem. Spelar du mest på dessa eller även 1X2?

Har precis börjat skriva D-uppsats i statistik där jag undersöker möjligheten att skapa en fördel på under/över X mål i längden. Kommer använda mig av främst SVM, men även jämföra med QDA och logistisk regression. Håller nu på att samla in data, vilket kommer bestå av ca 6000matcher, utspritt på nästan 20 år dock. Tror dock 1000matcher från senaste 3-4 år även kommer räcka.

Enligt mitt tycke ger 1000 matcher från de senaste 3-4 åren BETYDLIGT bättre underlag än att blanda in matcher från 20 år sedan.
Fotbollen förändras då och då.

Värdet som jag beräknar är det förväntade värdet och ska motsvara ROI, efter många spelade matcher, om modellerna är justa. Medelvärdet av det beräknade väntevärdet (exkluderad en inställd match) är,

E(Beräknat)=(7+7+18+10+10)/5 = 10.4 %

ROI=100%*(0.20 + 0.25 + 0.38 - 1.00 + 0.35)/5 = 3.6 %

I detta fall är det för litet antal matcher för att dra några slutsatser, men då jag här har fokuserat på låga odds så är antalet matcher som krävs för att få "statistisk signifikans" relativt få.

Beror en hel del på förklaringsvariablerna och hur mycket de skiljer sig från år till år. I mina modeller kommer många förklaringsvariablerna vara i en skala från 0-1 baserat på tidigare statistik. Ska först samla in data sen får jag se hur vilket jag kommer använda mig av.

Behöver även några säsonger för att utvärdera modellerna på.

Jag föredrar binära utfall, men även resultat spel. Handikapp (asian) är det bästa tycker jag men de kräver mycket jobb.

Belgium - Jupiler League, Westerlo - St. Liege, klockan 18:00

knappt spelvärd men...

Jag har spelat >1.5 mål till oddset 1.29 med ett värde på 5 %.

E(Beräknat)=(7+7+18+10+10+5)/6 = 9.5 %

ROI=100%*(0.20 + 0.25 + 0.38 - 1.00 + 0.35 + 0.29)/6 = 7.8 %

Costa Rica - Primera Division, Cartagines - Saprissa, 23:00

Har spelat <3.5 mål till oddset 1.25, med ett värde på 7 %

Har du inget sheet för detta?

Jag är nybörjare här på forumet, men det är nog läge att testa ett sheet!

Texas Sharpshooter?

Är det någon typ av korrelation? Jag tror man ska börja med enkla modeller - jobba hårt med "Ockhams rakkniv"!

Ja det är viktigt att inte utveckla modellen på samma data som den ska testas - en självklarhet hoppas jag:)

Sedan är det även så att "gammal historik" mycket överskattad.

Förutsättningarna förändras alltför mycket på bara några års sikt för att äldre utfall ska ha särskilt stark bäring på nutid.

Jag kan tänka mig att förändring av regler, tillämpning av regelverk, praxis och ny teknik kan påverka match-karaktärestiken, så att exempelvis sannolikhet för en straff förändras, men att sannolikheten för att sätta en straff är oförändrad (såvida man inte bestämmer sig för att flytta straffpunkten).

Min responsvariabel kommer vara binär som jag kommer försöka klassificiera.

Några av de förklaringsvariabler jag kommer använda är:

Hur många av lagets tidigare matcher slutar över X mål
Hur många matcher misslyckas laget med att göra mål
Hur många matcher lagen håller nollan.
...
...
...
Ungefär 45st just nu som kommer minska efter variabelselektion.

Sedan kommer jag även ta med avstånd mellan klubbarna, väderförhållanden m.m.

Notera: All statistik räknas per säsong, så jag upplever inte att gammal statistik kommer vara värdelös, men vi får se.

Datainsamlingen är inte klar ännu, men kommer bestå av 6460 matcher, dock så har jag har odds bara för ca 2000 av matcherna. Kan även inte kolla om vädret har något påverkan för samtliga matcher då ca 1/3 saknar starttid.

Om det visar sig att gammal data förvärrar modellerna så jag enkelt ta bort dom och fortfarande ha ett stort datamaterial att jobba med.

När datainsamlingen blir klar, vilket borde vara inom ett par dagar så får vi se om det finns någon korrelation mellan respons och förklaringsvariablerna.

Valideringen kommer enbart ske på matcher som inte ingår i träningsdata.

Det stämmer inte! Straffen i fotboll ser ut på precis samma sätt idag som den gjorde för 20 år sedan men sannolikheten för att sätta den har ändå förändrats betydligt. Tar Premier League som exempel. På 90-talet (92-00) förvaltades 95 % av 511 tilldelade straffar. Motsvarade siffra för 00- och 10-talet är 83 % av 775 straffar respektive 79 % av 515 straffar. Fotbollen utvecklas i faser och uppenbarligen har målvaktsspel utvecklats i snabbare takt än straffteknik vad gäller den engelska ligafotbollen. Detsamma gäller givetvis för andra delar av fotbollen, anfalls- och försvarsspel till exempel, som utvecklas i vågor. Fotbollen är liksom de flesta andra sporter långt ifrån statisk och förändras mycket från år till år, varför gammal statistik snabbt blir inaktuell.

Får man fråga varför du/ni spelar på fotboll överhuvudtaget om ni bara utgår från siffror och statistiska underlag? Borde det inte vara lättare i en sport där man vet mer om vad som påverkar utfallet, som tennis till exempel. Vet att det finns folk som gjort framgångsrika modeller för tennis som tar hänsyn till olika spelstilar, servehastighet, underlag och så vidare. Krävs förvisso att man tillgång till all den statistik som behövs.

Kalju - Narva, klockan 12:00

har spelat <3.5 mål till oddset 1.70 med värde 10 %

Kan du beskriva dina data mer? Handlar det om en liga eller flera?

Modeller ar ett intressant amne (aven om mycket av diskussionerna redan hafts en eller flera ganger) men man maste vara forsiktig. Personligen anvander jag mig av en egensnickrad modell for en specifik idrott men endast for att fa fram forslag. Dessa kvalitetskontrolleras alltid, just nu spelar jag endast 25-30% av forslagen. Spelar du hos en bookie med 97-98% aterbetalning sa kommer din modell ge dig varde pa valdigt manga spel (hur litet de vardet an ma vara). Skall jag vara arlig tror jag ingen i varlden (och speciellt inte har pa Sharps) kan ge exakta procent nar det kommer till varde. Precisionen ar for lag, alternativt ovissheten for hog (om det handlar om modeller med manga, manga variabler), for att ens komma i narheten. Som namnts tidigare, att det skulle finnas 10-12% varde pa en lagoddsare i en hog europeisk fotbollsliga ser jag nastan som omojligt.

Tack för upplysning, jag tänkte närmare på att en regeländring (vid tiden T0=t) ger en momentan påverkan och att exempelvis sannolikheten för att sätta en straff vid tiden T=T0+1 är opåverkad av regeländringen. Om abs(T-T0) är stort stämmer det nödvändigtvis inte, som du förtydligat. Jag förtydligar med att jag hade i åtanken dombeslut för straff (regelverket, praxis och ny teknik (kamera))

Jaha, då är jag med. Ja, det är rätt så obvious.

Många variabler, men kollar du korrelationen mot utfallet så kommer nog väldigt många att försvinna - hoppas jag. Jag menar att den blir tunga att använda annars ;)

Jag arbetar med programmeringen på ett sådant sätt att jag ska kunna skicka in vilken liga som helst, spelar ingen roll om antal matcher, lag m.m skiljer sig. Den första ligan som jag kommer testa komma vara Premier League, som kommer bestå av samtliga matcher från 1998. Som tidigare diskuterats så får vi se hur mycket av materialet går att använda.

Att ingen kan ge exakta procent är ganska självklart, då modellerna själva ger skattningar. 10-12% låter/match låter väldigt mycket. Måste man realisting och jämföra med investeringar, t.ex bankkonton och index. En avkastning på minst 10% under ett år, på över 1000 spelade matcher anser jag skulle vara bra.

MEL;

Självklart så kommer någon typ av variabelselektion utföras. Ett litet dilemma är att metoderna för variabelselektion bygger på att hitta variablerna med lägst felklassificiering. Låg felklassificiering behöver inte alltid betyda positiv avkastning när det kommer till odds...

Okej, PL. Ja, jag forutsatte att det var nagon slags automatisering. Har du overvagt att anvanda nagon form av roterande PCA? Har en kansla av att du kan komma att ha flera olika population/grupperingar dar de olika variablerna har olika effekt.

ps. den andra delen av mitt forra inlagg var inte riktat till dig personligen Jegor, mer ett generellt pastaende. Boored har visat att det ar fullt mojligt att skapa modeller som ger avkastning. Har du en avkastning pa 10% pa 1000 bets (utgar fran 1% av kassan per spel) sa sitter du ju pa 1% (101%) ROI, vilket antagligen ar rimligt. Manga har dock overdrivet hoga forvantningar pa helautomatiserade tillvagagangssatt och jamfor sina resultat med kvalitativa vardespel (dar minst 6-7% oftast ar malet).

Vill man modellera fotboll finns det idag massvis med detaljerad data om de större ligorna, gäller bara att veta vad man ska göra med den när man väl fått tag på den.

Undersökningar kring vad som påverkar resultat, är signifikant och stabilt över tid har det dessutom gjorts massor av.

Det finns det säkert, men variablerna att ta hänsyn till måste fortfarande vara väldigt många fler. Var bland annat den här killen, Elihu Feustel, som jag hänvisade till med tennismodeller: http://www.bloomberg.com/news/articl...nowing-players

Det går ju såklart att använda sig av väldigt många variabler om man vill det, men inget säger att en sådan modell skulle vara bättre än en med få variabler. Viktigast är ju hur man faktiskt använder datan.

Jag själv försöker använda mig av så få variabler som möjligt för att sen koncentrera mig på själva metoden och utförandet, dvs bettingen.