#26 Профессиональный игрок. Создание прибыльной торговой системы. Работает ли коэффициентный анализ или что еще нужно знать о коэффициентной линии?

---

«БК знает результат матча и поэтому формирует коэффициентную линию, чтобы игроки максимально проиграли!...»

Наверное, Вы часто слышали эту фразу, изучая коэффициентный анализ. Этот образ сознательно создавался и развивался, чтобы привлечь внимание к ресурсам, содержащим базы коэффициентов.

Одно из видео на просторах интернета так и называется: «… Кто на самом деле двигает коэффициенты?…» В нем автор утверждает, что коэффициенты формирует и двигает машина(компьютер). К сожалению, кроме дальнейшей демагогии вокруг этого факта с упоминанием какой-то мифической «сервисной точки сбора», которую только этот автор, якобы знает, другой информации, которая хоть как то могла быть полезной (как впрочем и в большинстве остальных видео этого автора) мы не увидели.

То, что движение и расчет коэффициентов отдано компьютеру, это и так понятно. Более того, было бы глупо не воспользоваться компьютерным мощностями в век развитых информационных технологий.

Но дальше следуют вопросы:

Откуда БК знает результат матча? Ему что, говорят, какой будет счет, и кто на какой минуте забьет? Или он сам говорит, какой счет нужно сделать и на какой минуте? Но тогда он должен, «кормить» всю эту спортивную индустрию, целесообразно ли это? В одной из статей мы уже затрагивали эту тему.

Некоторые видео блогеры, вероятно, сильно не разбираясь, ни в экономике, ни в спорте, с явной мотивацией продажи своего продукта, утверждают, что именно так все и происходит, и только коэффициентный анализ даст корректный ответ на эти вопросы.

В этом случае возникает еще больше вопросов:

Если БК знает результат матча, то почему при тайм-сценарии , например, 1-0 счет первого тайма 3-1 счет матча мы видим разбросы коэффициентов практически в полном коэффициентном пространстве, от 1.001 до 40+?

И наоборот, почему, в одном и том же, достаточно большом, коэффициентном коридоре, чаще всего полный набор тайм-сценариев?

Разве это возможно, если БК знает результат матча? И почему, он выставил именно такие коэффициенты, а не другие? Почему, например, бывает, что при коэффициенте 2,10 результат 80% один, а при коэффициенте 2,11 при неизменных других - результат прямо противоположный. Чем отличаются эти коэффициенты? Неужели изменение долей в вероятности события может так влиять на результат?

Однозначного ответа на эти вопросы, даже от капперов с 20-летним стажем Вы не услышите. На подобные вопросы они ничего внятного сказать так и не смогут, кроме, разве что: «..БК так выставляет, чтобы максимально обыграть толпу…». Но это не ответ на вопрос (поскольку это и так очевидно), это просто отговорка, с целью прикрыть свою некомпетентность и поверхностные знания.

Давайте попробуем разобраться. Прежде всего, мы должны уточнить, что не претендуем на то, что только мы знаем, что и как происходит, давайте это оставим псевдокапперам, которые на этом образе зарабатывают для себя деньги.

Мы будем рассуждать, как и прежде, с точки зрения здравого смысла. Это наше представление, на котором и будет основана вся дальнейшая логика прибыльности коэффициентного анализа. В противном случае, вся эта коэффициентная история - это просто красивые зеленые палки, не имеющие никакого смысла.

Итак, начнем.

Немного отступим от темы статьи:

Раньше, в эпоху отсутствия вычислительных мощностей, БК рассчитывал коэффициенты, на основе статистики. Обыграть его было гораздо проще, потому что в большинстве случаев, статистические данные не сильно отличались друг от друга.

С развитием вычислительных мощностей, появилось и развилось такое научное математическое направление, как нейросети. Развитие нейросетей сделало возможным развитие такого аппарата, как математическое моделирование событий. На этом принципе сейчас работают многие игровые движки. В последние годы, эти технологии настолько развились и удешевились, что стали доступны даже рядовому обывателю. Появилось огромное количество библиотек нейросетей для различных языков программирования, поэтому заняться математическим моделированием события человеку с опытом программирования, сейчас не составляет большого труда.

Так почему же не использовать этот математический аппарат для формирования коэффициентной линии? Это же логично.

Причем основной принцип настолько прост, что его даже не имеет смысла держать в тайне.

Отметим основные свойства простейшей нейросети (если кому интересно, то в интернете, Вы найдете очень много информации про нейросети):

1. пороговый вход(+начальные условия)

2. вычислительная функция

3. стороннее возмущение

4. пороговый выход

5. обратная связь. Функционально связывает результат выхода, с результатом входа.

Вот именно это 5 –е свойство дает возможность нейросети к «обучению» или шестому «чувству».

Этот принцип легко запрограммировать и обучить нейросеть, как Вам нужно.

Для формирования коэффициентной линии, достаточно функционально запрограммировать нейросеть и обеспечить поток входных данных.

Вот теперь поговорим о том, как бы мы это сделали. Мы можем быть неточными в деталях, поскольку все-таки не владеем достоверной информацией, но общий здравый смысл представляется нам логичным.

Первый этап формирования линии – обучение нейросети:

Этот этап можно считать развитым для большинства лиг, поскольку обучение нейросети уже длится много лет.

В начале создается база входных параметров. Это статистика игроков, причем не просто кто сколько забил, а именно кто сколько куда бегал и ударял по мячу. Для входных параметров достаточно забить все нулевыми условиями.

Дальше запускается набор параметров для нейросети, ей выдается посекундная статистика каждого игрока, как и куда тот бегал в реальном матче и взаимодействие игроков друг с другом на поле. Всего 23 статистики + статистика судей, тренеров и замен. Почему 23? Потому что 22 игрока + мяч. Это очень легко сделать при современных информационных технологиях.

Так происходит несколько матчей, пусть их будет 10.

После того, как статистика сформирована, запускается обучение нейросети. Эта нейросеть на основании входных параметров моделирует посекундные события матча и сравнивает с реальной ситуацией, если возникают отклонения, они учитываются в обратной связи. Итоговый результат, соответственно сравнивается с результатом модели. Так прогоняются эти 10 матчей, затем обученная нейросеть переходит ко второму этапу.

Второй этап формирования линии - моделирование событий нейросетью.

На втором этапе нейросеть моделирует посекундные события будущего матча - прематч. В лайве, как и на предыдущем этапе вычисляются отклонения и учитываются в моделировании относительно текущего момента матча – делается моделирование до конца матча.

После матча прематч сравнивается с результатом, вычисляются отклонения, и продолжается обучение нейросети.

Отступление: при обучении нейросети, важно определить порог прохождения, при котором нейросеть считает результат приемлемым, т.е. погрешность относительно реального результата, которая допустима при моделировании. Если результат моделирования расходится на величину больше погрешности, то нейросеть продолжает дальнейшее обучение, на основании полученных данных, пока не достигнет приемлемой точности.

Иными словами, при посекундном моделировании, допустимо, например, если игрок Х сделал за игру не 10 смоделированных ударов в сторону ворот под углом 45 градусов из точки N, а 9 или 11, тогда эта погрешность, равная 10%, например, проходит порог, а если меньше 9 или больше 11 то не проходит.

Третий этап формирования линии – моделирование коэффициентов.

Здесь сразу хотим уточнить, что мы достоверно не знаем, как это происходит на самом деле, но из логики здравого смысла мы бы сделали именно так.

Когда нейросеть сформирована и обучена на столько, чтобы результат удовлетворял определенной погрешности, например 10 %, можно переходить к этапу формирования коэффициентной линии.

А теперь, что такое коэффициентная линия? Это деньги, которые БК либо отдает, либо забирает!!!

На третьем этапе вводится информация по денежным потокам по линии. Вот здесь, через коэффициенты, как раз и появляется максимизация прибыли, как отправная точка (порог для нейросети). А обучение нейросети и последующее моделирование проводится, как с учетом финансовых потоков на прематче, так и в лайве.

После третьего этапа наша нейросеть уже обучена формировать коэффициентную линию «чтобы максимально обыграть толпу».

Четвертый этап - постоянное обучение.

На третьем этапе наша нейросеть научилась моделировать матчи и извлекать из этого максимальную прибыль. Однако на этом ее обучение не останавливается. С каждым последующим матчем она продолжает совершенствоваться.

Именно поэтому зеленые палки прекращаются, и, очень часто исключительно тогда, когда Вы их увидели. Поскольку толпа их тоже увидела. А нейросеть БК уже предвидела эти варианты.

Именно поэтому и существуют «мусорные» коридоры с полным набором сценариев матча, причем их большинство. Потому что, нейросеть постоянно обучается и моделирует коэффициентную линию, в том числе с учетом финансовых потоков.

Именно поэтому Вы можете видеть красивые симметричные картинки в пространстве данных, поскольку нейросети нужно время, чтобы переобучиться.

Вот примерно так может происходить формирование коэффициентной линии. Чтобы нам не быть голословными, вспомним апрель-май 20-го года, - период локдауна. Какие матчи были в линии? Правильно - SRL. А что это такое? Это как раз и было моделирование матчей нейросетью. Кто куда побежал и кто куда ударил.

У Вас после прочтения статьи может возникнуть закономерный вопрос: как же с этим работать? И имеет ли смысл изучать коэффициентный анализ, ведь Вы далеко не всегда, как и в игровом анализе, можете грамотно спрогнозировать матч?

Уважаемые коллеги, немного терпения, в последующих статьях мы об этом будем подробно говорить.