Μπορεί η μηχανική μάθηση να νικήσει τις στοιχηματικές εταιρείες;

Η μεγαλύτερη παρανόηση γύρω από τη χρήση της μηχανικής μάθησης στο αθλητικό στοίχημα αφορά στην αντίληψη ότι ένας προηγμένος αλγόριθμος μπορεί να προβλέψει το μέλλον. Στην πραγματικότητα, ακόμη και το καλύτερο υπολογιστικό μοντέλο γνωρίζει μόνο όσα έχουν ήδη συμβεί. Η διαφορά είναι ότι μπορεί να επεξεργαστεί το παρελθόν με πολύ μεγαλύτερη ταχύτητα, να συνδυάσει χιλιάδες μεταβλητές και να αποφύγει αρκετές από τις συναισθηματικές παγίδες στις οποίες πέφτει ο άνθρωπος.

Ένα μοντέλο μπορεί να αναλύσει την αγωνιστική κατάσταση των ομάδων, τους τραυματισμούς, το πρόγραμμα, την κόπωση, την ποιότητα των τελικών προσπαθειών, την έδρα, τις καιρικές συνθήκες, τις αλλαγές προπονητών και την πορεία των αποδόσεων. Μπορεί επίσης να εντοπίσει συσχετισμούς που δεν είναι εύκολα ορατοί ακόμη και σε έναν έμπειρο αναλυτή.

Παρά τη δύναμη αυτής της επεξεργασίας, το τελικό αποτέλεσμα εξακολουθεί να επηρεάζεται από απρόβλεπτα περιστατικά. Μια αποβολή, ένας τραυματισμός στα πρώτα λεπτά, ένα αυτογκόλ, μια αλλαγή συστήματος ή ένα σουτ που κοντράρει μπορούν να ανατρέψουν όσα έδειχναν τα δεδομένα πριν από την έναρξη. Η μηχανική μάθηση υπολογίζει πιθανότητες. Δεν εκδίδει βεβαιότητες.

Γι’ αυτό και το πραγματικό ερώτημα δεν είναι εάν ένα μοντέλο μπορεί να προβλέψει σωστά έναν αγώνα. Αυτό μπορεί να συμβεί συχνά, όπως μπορεί να συμβεί και με έναν απλό παίκτη που βασίζεται στην εμπειρία του. Το κρίσιμο ερώτημα είναι εάν το μοντέλο μπορεί να εντοπίζει επαναλαμβανόμενα λανθασμένες αποδόσεις και να διατηρεί πλεονέκτημα σε βάθος εκατοντάδων ή χιλιάδων στοιχημάτων.

Η σωστή πρόβλεψη δεν συνεπάγεται κέρδος

Στο αθλητικό στοίχημα, η επιλογή του πιθανότερου νικητή αποτελεί μόνο το πρώτο μέρος της διαδικασίας. Το δεύτερο και σημαντικότερο είναι η τιμή που προσφέρεται για αυτόν τον νικητή.

Μια ομάδα μπορεί να έχει 60% πιθανότητες επικράτησης και να αποτελεί πράγματι το φαβορί. Εάν, όμως, η απόδοσή της είναι 1,50, η απαιτούμενη πιθανότητα για να δικαιολογείται το στοίχημα είναι περίπου 66,7%. Σε αυτή την περίπτωση, η πρόβλεψη ότι η ομάδα είναι πιθανότερο να κερδίσει μπορεί να είναι σωστή, αλλά η προσφερόμενη απόδοση παραμένει ασύμφορη.

Αντίθετα, μία ομάδα με πιθανότητα νίκης 30% μπορεί να αποτελεί αξιόλογη στοιχηματική επιλογή εφόσον προσφέρεται σε απόδοση 4,00. Η απόδοση αυτή αντιστοιχεί σε πιθανότητα 25%, επομένως το μοντέλο εντοπίζει θεωρητικό πλεονέκτημα πέντε ποσοστιαίων μονάδων. Η συγκεκριμένη ομάδα θα χάνει τις περισσότερες φορές, αλλά εφόσον η εκτίμηση του 30% είναι σωστή, η επανάληψη του ίδιου τύπου στοιχήματος μπορεί να αποδειχθεί κερδοφόρα μακροπρόθεσμα.

Εδώ βρίσκεται και η μεγάλη διαφορά ανάμεσα στην πρόβλεψη και στο στοίχημα αξίας. Η πρώτη απαντά στο ποιος έχει περισσότερες πιθανότητες να κερδίσει. Το δεύτερο εξετάζει εάν η προσφερόμενη απόδοση είναι υψηλότερη από εκείνη που δικαιολογεί η πραγματική πιθανότητα.

Η εξέλιξη των ιστοσελίδων προγνωστικών έχει κάνει αυτή τη διάκριση περισσότερο γνωστή στο κοινό. Οι εκτιμήσεις δεν περιορίζονται πλέον σε γενικόλογες αναφορές για τη φόρμα, την παράδοση ή το κίνητρο. Παρουσιάζονται πιθανότητες, αγορές και αριθμητικές αξιολογήσεις. Ο αναγνώστης περιμένει πλέον από μία πρόβλεψη να εξηγεί πώς προέκυψε.

Αυτό, πάντως, δεν σημαίνει ότι κάθε αριθμός είναι αξιόπιστος. Ένα ποσοστό που παράγει ένας αλγόριθμος μπορεί να δημιουργεί εντύπωση επιστημονικής ακρίβειας, αλλά η ποιότητά του εξαρτάται από τα δεδομένα, τη μεθοδολογία και τον τρόπο με τον οποίο έχει ελεγχθεί το μοντέλο. Ένα λανθασμένο σύνολο δεδομένων μπορεί να οδηγήσει σε μία εξαιρετικά ακριβή επεξεργασία λανθασμένων παραδοχών.

Βαθμονόμηση αντί για κυνήγι των περισσότερων επιτυχιών

Ένα από τα σημαντικότερα κριτήρια αξιολόγησης ενός υπολογιστικού μοντέλου είναι η βαθμονόμησή του. Εάν ένα μοντέλο αποδίδει πιθανότητα 60% σε εκατό διαφορετικά γεγονότα, περίπου εξήντα από αυτά θα πρέπει να επιβεβαιώνονται. Εάν κερδίζουν ογδόντα, το μοντέλο υποτιμά τις πιθανότητες. Εάν κερδίζουν σαράντα, τις υπερτιμά.

Η σωστή βαθμονόμηση έχει μεγαλύτερη αξία από το απλό ποσοστό επιτυχημένων προβλέψεων. Ένα σύστημα μπορεί να επιλέγει αποκλειστικά μεγάλα φαβορί και να εμφανίζει ποσοστό επιβεβαίωσης 75% ή 80%. Εφόσον, όμως, οι αποδόσεις είναι υπερβολικά χαμηλές, μερικές ήττες αρκούν για να εξαφανίσουν τα κέρδη από πολλές επιτυχίες.

Για παράδειγμα, δέκα στοιχήματα της ίδιας αξίας σε απόδοση 1,20 απαιτούν τουλάχιστον εννέα επιτυχίες για να υπάρξει καθαρό κέρδος. Με οκτώ επιτυχίες και δύο ήττες, το ποσοστό επιβεβαίωσης φτάνει στο εντυπωσιακό 80%, αλλά ο παίκτης παραμένει χαμένος. Η υψηλή ακρίβεια, επομένως, δεν αποτελεί από μόνη της ένδειξη αποτελεσματικότητας.

Ένα διαφορετικό μοντέλο μπορεί να επιβεβαιώνει μόνο τέσσερις από τις δέκα επιλογές του, αλλά να ποντάρει συστηματικά σε αποδόσεις άνω του 3,00. Το ποσοστό επιτυχίας του θα φαίνεται μικρότερο, όμως η συνολική απόδοσή του μπορεί να είναι υψηλότερη. Το στοίχημα δεν λειτουργεί ως διαγωνισμός σωστών προβλέψεων. Λειτουργεί ως αγορά τιμών και πιθανοτήτων.

Αυτή είναι και η ψυχολογικά δυσκολότερη πλευρά του στοιχήματος αξίας. Μια επιλογή μπορεί να είναι σωστή από μαθηματική άποψη και να χάνει. Εάν ένα γεγονός έχει πραγματική πιθανότητα 42%, τότε αναμένεται να μην επαληθεύεται στο 58% των περιπτώσεων. Ο παίκτης μπορεί να διαθέτει πλεονέκτημα απέναντι στην απόδοση και ταυτόχρονα να περάσει μία μεγάλη περίοδο συνεχόμενων αρνητικών αποτελεσμάτων.

Οι περισσότεροι άνθρωποι δυσκολεύονται να λειτουργήσουν μέσα σε αυτή την αβεβαιότητα. Περιμένουν από το μοντέλο μια σαφή επιλογή και, συχνά, αντιμετωπίζουν το παραγόμενο ποσοστό ως υπόσχεση. Όταν η πρόβλεψη χάνει, θεωρούν ότι ο αλγόριθμος απέτυχε. Όταν κερδίζει, αποδίδουν το αποτέλεσμα στην ακρίβεια του συστήματος. Και στις δύο περιπτώσεις αγνοούν ότι μία μεμονωμένη έκβαση δεν αρκεί για να αξιολογηθεί μια πιθανότητα.

Οι στοιχηματικές διαθέτουν μοντέλα, δεδομένα και τη γκανιότα

Ο ανταγωνιστής ενός παίκτη που χρησιμοποιεί μηχανική μάθηση δεν είναι μία εταιρεία η οποία καθορίζει τις αποδόσεις εμπειρικά. Οι μεγάλες στοιχηματικές επιχειρήσεις συνεργάζονται με εξειδικευμένους παρόχους δεδομένων, χρησιμοποιούν δικά τους μοντέλα, απασχολούν αναλυτές και παρακολουθούν σε πραγματικό χρόνο την κίνηση της αγοράς.

Η αρχική απόδοση δεν αποτυπώνει απλώς την εκτίμηση της εταιρείας για την πιθανότητα ενός αποτελέσματος. Περιλαμβάνει το περιθώριο κέρδους, την αναμενόμενη συμπεριφορά των παικτών, την κατανομή του τζίρου και τον κίνδυνο που δημιουργούν οι μεγάλες τοποθετήσεις. Μετά το άνοιγμα της αγοράς, οι αποδόσεις μεταβάλλονται συνεχώς, καθώς ενσωματώνουν νέα δεδομένα και χρήματα από επαγγελματίες ή καλά ενημερωμένους παίκτες.

Το περιθώριο κέρδους της στοιχηματικής, η γνωστή γκανιότα, δημιουργεί ένα πρόσθετο εμπόδιο. Σε μία αγορά χωρίς περιθώριο, το άθροισμα των πιθανοτήτων όλων των ενδεχομένων θα ήταν 100%. Στις πραγματικές αποδόσεις το σύνολο είναι μεγαλύτερο. Σε ένα ισορροπημένο γεγονός, για παράδειγμα, δύο επιλογές μπορεί να προσφέρονται αμφότερες στο 1,90. Η καθεμία αντιστοιχεί σε θεωρητική πιθανότητα περίπου 52,6%, με συνολικό ποσοστό 105,2%. Η διαφορά άνω του 100% αποτελεί το περιθώριο της εταιρείας.

Το μοντέλο του παίκτη δεν αρκεί να είναι οριακά καλύτερο από μία τυχαία πρόβλεψη. Πρέπει να είναι αρκετά αποτελεσματικό ώστε να καλύπτει τη γκανιότα, τις μεταβολές των αποδόσεων, τις διαφορές μεταξύ της διαθέσιμης και της θεωρητικής τιμής, καθώς και τις αναπόφευκτες περιόδους κακών αποτελεσμάτων.

Υπάρχει επίσης το ζήτημα του χρόνου. Μια λανθασμένη αρχική απόδοση μπορεί να διορθωθεί γρήγορα. Εάν ένα μοντέλο εντοπίσει αξία στην απόδοση 2,20, αλλά μέχρι να τοποθετηθεί το στοίχημα η τιμή υποχωρήσει στο 1,95, το πλεονέκτημα μπορεί να έχει εξαφανιστεί. Στην πράξη, η ταχύτητα πρόσβασης στα δεδομένα και εκτέλεσης της επιλογής γίνεται μέρος του ίδιου του μοντέλου.

Οι παίκτες που παρουσιάζουν σταθερά κερδοφόρα συμπεριφορά ενδέχεται ακόμη να αντιμετωπίσουν χαμηλότερα όρια ή περιορισμούς λογαριασμών. Ένα σύστημα μπορεί να είναι αποδοτικό σε θεωρητικό επίπεδο, αλλά να έχει περιορισμένη εμπορική αξία όταν οι διαθέσιμες αγορές δεν διαθέτουν επαρκή ρευστότητα ή όταν δεν μπορεί να τοποθετηθεί το απαιτούμενο ποσό.

Η δυσκολία, συνεπώς, δεν περιορίζεται στην εύρεση ενός λάθους. Χρειάζεται ο εντοπισμός του πριν από την υπόλοιπη αγορά, η εξασφάλιση της κατάλληλης απόδοσης και η δυνατότητα επανάληψης της διαδικασίας σε μεγάλη κλίμακα.

Τα όρια των δεδομένων και ο καθοριστικός ανθρώπινος παράγοντας

Η ποιότητα ενός μοντέλου εξαρτάται από την ποιότητα των πληροφοριών που λαμβάνει. Τα τελικά αποτελέσματα και οι βαθμολογίες είναι εύκολα προσβάσιμα, αλλά προσφέρουν περιορισμένη εικόνα. Πιο προηγμένα συστήματα χρησιμοποιούν δεδομένα για τις τελικές προσπάθειες, τη θέση και την ποιότητά τους, την κατοχή, την πίεση, τις μεταβιβάσεις, την απόσταση που καλύπτουν οι παίκτες και τη συμπεριφορά μιας ομάδας σε διαφορετικές αγωνιστικές καταστάσεις.

Ακόμη και αυτά τα στοιχεία χρειάζονται προσεκτική ερμηνεία. Δύο πάροχοι μπορεί να καταγράφουν διαφορετικά το ίδιο γεγονός. Οι ορισμοί μιας μεγάλης ευκαιρίας, μιας ασίστ ή μιας επιτυχημένης πίεσης δεν είναι πάντοτε ίδιοι. Παράλληλα, οι διοργανώσεις με περιορισμένη κάλυψη διαθέτουν λιγότερα ή λιγότερο αξιόπιστα δεδομένα, γεγονός που αυξάνει την αβεβαιότητα.

Υπάρχει ακόμη ο κίνδυνος της υπερπροσαρμογής. Ένα μοντέλο μπορεί να εμφανίζει εξαιρετικές επιδόσεις όταν ελέγχεται πάνω σε παλαιότερα αποτελέσματα, επειδή έχει μάθει τις ιδιαιτερότητες του συγκεκριμένου δείγματος. Όταν εφαρμοστεί σε νέους αγώνες, η απόδοσή του καταρρέει. Το σύστημα έχει ουσιαστικά απομνημονεύσει το παρελθόν αντί να εντοπίσει μοτίβα που μπορούν να επαναληφθούν.

Οι μεταβολές μέσα στο ίδιο το άθλημα δημιουργούν ένα επιπλέον πρόβλημα. Μία ομάδα μπορεί να αλλάξει προπονητή, αγωνιστική φιλοσοφία ή μεγάλο μέρος του ρόστερ της. Οι κανονισμοί μπορεί να τροποποιηθούν, ο αριθμός των αγώνων να αυξηθεί και το ημερολόγιο να γίνει πιο απαιτητικό. Δεδομένα δύο ή τριών ετών ενδέχεται να μην περιγράφουν πλέον την πραγματική κατάσταση.

Στο ποδόσφαιρο, όπου σημειώνονται σχετικά λίγα γκολ, η τύχη έχει μεγαλύτερη επίδραση στο τελικό αποτέλεσμα. Στο μπάσκετ, ο πολύ μεγαλύτερος αριθμός κατοχών περιορίζει σε έναν βαθμό αυτή την επίδραση, χωρίς να την εξαφανίζει. Κάθε άθλημα απαιτεί διαφορετικές μεταβλητές, διαφορετικό τρόπο αξιολόγησης και διαφορετική αντιμετώπιση της διακύμανσης.

Η μηχανική μάθηση μπορεί να πειθαρχήσει την ανθρώπινη κρίση, να αποκαλύψει λανθασμένες παραδοχές και να εντοπίσει μοτίβα που διαφεύγουν από το μάτι. Δεν μπορεί να προστατεύσει τον παίκτη από την κακή διαχείριση κεφαλαίου, την υπερβολική αυτοπεποίθηση και την προσπάθεια άμεσης κάλυψης των απωλειών.

Ακόμη και ένα πραγματικό πλεονέκτημα μπορεί να καταστραφεί από λανθασμένο ποντάρισμα. Όσο μεγαλύτερο είναι το ποσοστό του κεφαλαίου που διακινδυνεύεται σε κάθε επιλογή, τόσο αυξάνεται η πιθανότητα μιας μεγάλης ζημιάς ή της πλήρους απώλειας του διαθέσιμου ποσού. Η διαχείριση κεφαλαίου αποτελεί αναγκαίο μέρος κάθε σοβαρής προσέγγισης και όχι λεπτομέρεια που εξετάζεται μετά την κατασκευή του μοντέλου.

Η τελική απάντηση στο ερώτημα εάν η μηχανική μάθηση μπορεί να νικήσει τις στοιχηματικές εταιρείες είναι θετική μόνο υπό αυστηρές προϋποθέσεις. Χρειάζονται καλύτερα δεδομένα, σωστή βαθμονόμηση, γρήγορη πρόσβαση στις αποδόσεις, πειθαρχημένη διαχείριση κεφαλαίου και συνεχής επανέλεγχος των αποτελεσμάτων. Κυρίως, χρειάζεται ένα πλεονέκτημα αρκετά μεγάλο ώστε να επιβιώνει μετά τη γκανιότα και τις μεταβολές της αγοράς.

Η μηχανική μάθηση μπορεί να εντοπίσει μια λανθασμένη τιμή. Η διατήρηση της κερδοφορίας, όμως, εξαρτάται από τη δυνατότητα του ανθρώπου να εφαρμόζει την ίδια μεθοδολογία για μεγάλο χρονικό διάστημα, χωρίς να εγκαταλείπει το σύστημα στις πρώτες ήττες και χωρίς να αυξάνει ανεξέλεγκτα το ρίσκο μετά τις πρώτες επιτυχίες.

Οι αλγόριθμοι γνωρίζουν το παρελθόν και υπολογίζουν το πιθανότερο μέλλον. Οι στοιχηματικές εταιρείες προσπαθούν να τιμολογήσουν ακριβώς αυτή την αβεβαιότητα. Το περιθώριο για τον παίκτη εμφανίζεται μόνο όταν η τιμή τους είναι λανθασμένη και ο ίδιος μπορεί να το αποδείξει σε αρκετά μεγάλο αριθμό στοιχημάτων.

Διαβάστε επίσης

Νίκες Αρόρα: Ποιος είναι ο δισεκατομμυριούχος της τεχνολογίας που προσφέρει 867 εκατ. ευρώ για την ομάδα του NBA Europe στο Λονδίνο

Έσπασε… τα ταμεία φέτος για τον Παναθηναϊκό ο Γιάννης Αλαφούζος με 30 εκατ. ευρώ σε μεταγραφές

Η απαγόρευση έφερε… συμφωνία-ρεκόρ με 23,4 εκατ. ευρώ στη Μάντσεστερ Γιουνάιτεντ