Прогнозування результатів спортивних подій
DOI:
https://doi.org/10.15276/hait.04.2019.4Ключові слова:
беттинг, букмекерство, бектестінг, обробка даних, фільтрація, прогнозування, кореляційний аналізАнотація
У сьогоденні сфера беттингу та букмекерства є популярною у широкого кола прихильників спорту. Питання прогнозування результатів майбутніх подій є і будуть актуальними для повсякденного життя, спорту, політики, тощо. З ростом кількості та якості методів інтелектуального аналізу стала здійсненною ідея прогнозування результатів спортивних подій. Застосування різних математичних методів допомагає отримати більш точні прогнози результатів, аніж суб’єктивні прогнози експертів. У роботі у загальному вигляді описано поняття беттингу та задачу букмекерства. Визначено мету дослідження й задачі, які необхідно виконати для досягнення мети. Проаналізовано існуючі результати досліджень різних науковців, які досліджували дану проблематику. Виділено основні чотири основи для прогнозування результатів спортивних подій. Розглянуто різні підходи до поставленої задачі, у тому числі такі методи, як розподіл Пуассона, імітаційне моделювання методом Монте-Карло та багато інших методів дослідження й було запропоновано власний спосіб її розв’язання. Сформульовано постановку задачі та проведено дослідження властивостей задачі. Для збору даних спортивних подій було розроблено й описано алгоритм бектестінгу, як механізм представлення статистики команди в будь-який момент часу певного сезону. Показано, що кореляційний аналіз по обраним параметрам показував помірну зв’язаність даних та було описано застосування системи Google AutoML для знаходження закономірності між даними. Експериментально доведено важливість використання сервісів з машинного навчання при розв’язанні даної задачі. Розроблено систему, яка збирає дані про події та за допомогою алгоритму бектестінгу обраховує статистику для кожної команди в кожен момент часу. Розроблено сервіс для створення й перевірки на якість стратегії. Наведено результати експериментальних досліджень ефективності задачі, де було проведемо експериментальні підбори стратегій з і без додавання результату роботи сервісу AutoML й для кожної стратегії було обраховано коефіцієнт кореляції Пірсона по результатам двох минулим сезонам. Проведено аналіз отриманих результатів.