Когда открываешь линию перед матчем, первое, на что обычно смотришь, — коэффициенты.
П1 — 2.00
X — 3.40
П2 — 3.80
Интуитивно кажется, что всё понятно: коэффициент 2.00 означает 50% вероятности, 4.00 — 25%, а 1.50 — примерно 67%.
С математической точки зрения формула действительно простая:
вероятность = 1 / коэффициент
Но есть важная проблема.
Коэффициент — это не вероятность.
И если разобраться почему, становится гораздо интереснее смотреть на букмекерскую линию.
Что на самом деле показывает коэффициент
Возьмём условный матч.
Букмекер предлагает:
П1 — 2.40
X — 3.30
П2 — 3.00
Переведём каждое значение в подразумеваемую вероятность.
П1:
1 / 2,40 = 41,7%
Ничья:
1 / 3,30 = 30,3%
П2:
1 / 3,00 = 33,3%
А теперь сложим:
41,7 + 30,3 + 33,3 = 105,3%
Но вероятность трёх взаимоисключающих исходов не может составлять 105,3%.
Откуда взялись лишние 5,3%?
Это один из способов увидеть маржу букмекера.
Поэтому коэффициент правильнее воспринимать не как чистую вероятность, а как рыночную цену события.
И здесь начинается самое интересное.
А какой коэффициент можно считать справедливым?
Предположим, мы каким-то способом рассчитали, что вероятность победы команды составляет не 41,7%, а 44%.
Тогда математический Fair-коэффициент можно получить обратным расчётом:
1 / 0,44 = 2,27
Получается интересная ситуация:
Букмекерская линия — 2,40
Расчётная вероятность — 44%
Fair-коэффициент — 2,27
То есть рынок оценивает событие дешевле, чем наша модель.
Но это ещё не означает, что команда обязательно победит.
И это принципиальный момент.
Вероятность не является прогнозом результата
Если модель говорит:
Победа — 60%
это не означает:
«Команда точно победит».
Это означает, что при большом количестве сопоставимых ситуаций модель ожидает примерно 60 успешных исходов на 100.
Конкретный матч может закончиться чем угодно.
В футболе достаточно одного удаления, рикошета или случайного гола, чтобы полностью изменить сценарий.
В киберспорте ситуация похожая: один неудачный раунд, плохой экономический цикл или ошибка ключевого игрока могут перевернуть карту.
Поэтому математическая модель не должна восприниматься как машина, которая угадывает будущее.
Она оценивает вероятность.
Что тогда сравнивать?
Вот здесь появляется понятие математического ожидания.
Предположим:
вероятность события — 44%
коэффициент — 2,40
Можно посчитать условную ожидаемую доходность:
0,44 × 2,40 − 1 = +5,6%
Положительное значение означает, что при условии корректности оценки вероятности такая цена выглядит интереснее самой вероятности, которую подразумевает рынок.
Но здесь есть несколько «если».
Самое важное из них — насколько хорошо модель оценивает вероятность.
Если вместо реальных 44% вероятность на самом деле равна 38%, вся математика меняется.
Поэтому найти положительный ROI на бумаге недостаточно.
Нужно понять, откуда вообще взялись эти 44%.
Откуда взять собственную вероятность?
Самый простой вариант — посмотреть статистику.
Но статистики очень много.
Можно учитывать:
результаты последних матчей;
домашние и гостевые показатели;
забитые и пропущенные;
силу соперников;
форму игроков;
xG;
рейтинги команд;
движение коэффициентов;
стоимость составов;
результаты предыдущих очных встреч.
Проблема в том, что отдельный показатель может вводить в заблуждение.
Например, команда выиграла четыре матча подряд.
Кажется, что форма отличная.
Но если посмотреть глубже, выясняется, что три победы были со слабыми соперниками, а по xG команда уступала в двух матчах.
Итоговый счёт говорит одно.
Дополнительные данные — немного другое.
Почему xG иногда полезнее счёта
xG — Expected Goals, ожидаемые голы.
Метрика оценивает качество голевых моментов, которые создают команды.
Представим:
Команда А выиграла 1:0.
xG:
А — 0,5
Б — 2,1
Формально победила А.
Но по созданным моментам преимущество было у Б.
Конечно, это не означает, что результат неправильный. Футбол как раз и интересен тем, что качество моментов не гарантирует реализацию.
Однако если подобная ситуация повторяется постоянно, xG становится полезным индикатором для анализа.
Elo — ещё один способ посмотреть на силу
Рейтинг Elo появился далеко за пределами футбола и давно используется для оценки относительной силы участников.
Логика довольно понятная.
Победа над сильным соперником должна цениться выше, чем победа над слабым.
Поэтому рейтинг команды меняется после каждого матча в зависимости не только от результата, но и от силы оппонента.
Это позволяет получить динамический показатель силы вместо простого подсчёта побед и поражений.
А можно объединить несколько моделей?
Именно такой подход мне кажется наиболее интересным.
Вместо попытки найти одну «идеальную» модель можно использовать несколько независимых факторов.
Например:
Dixon-Coles — для моделирования футбольных счетов и вероятностей исходов.
Elo — для оценки относительной силы команд.
xG — для оценки качества создаваемых моментов.
Стоимость составов — как дополнительный показатель кадров
Комментарии