Koneoppiminen jalkapallovedonlyönnissä

Abstract

Tämä opinnäytetyö on toiminnallinen opinnäytetyö, jonka tuotoksena rakennettiin koneoppimista hyödyntävä malli jalkapallo-otteluiden vedonlyöntiä varten. Työn tavoitteena oli kehittää malli, joka kykenee tuottamaan jalkapallojoukkueille suoritustasoa kuvaavia voimalukuja ja jonka avulla voidaan etsiä positiivisen odotusarvon kohteita vedonlyöntimarkkinalta.

Työn tietoperustassa käsitellään keskeisiä vedonlyönnin peruskäsitteitä, vedonlyöntimarkkinoita, jalkapallon erityispiirteitä vedonlyöntilajina, sekä koneoppimiseen liittyviä asioita. Vedonlyönnistä avataan esimerkiksi kertoimien ja todennäköisyyksien suhdetta, odotusarvoja, Closing Line Valueta ja kassanhallintaa, sekä panostamisen strategioita. Vedonlyöntimarkkinoista käsitellään sen vinoumia ja tehokkuutta, vedonvälittäjätyyppejä (soft/sharp) ja kerroinliikkeiden logiikkaa. Jalkapallon osalta käsitellään maaliodottamien merkitystä, sekä kotiedun vaikutusta. Koneoppimisessa keskitytään XGBoost-algoritmiin, piirteiden muodostamiseen (feature engineering) ja iteratiiviseen mallintamiseen.

Mallin rakentamisessa käytettiin XGBoost-algoritmia, jolla tuotetaan joukkuekohtaiset voimaluvut ottelutason datan pohjalta. Voimaluvut muunnetaan sarjakohtaisen maaliodottamakeskiarvon ja kotiedun kanssa Poisson-jakauman avulla ottelukohtaisiksi todennäköisyysarvioiksi, joita verrataan vedonlyöntimarkkinan tarjoamiin kertoimiin. Tekninen toteutus jakautuu Python-pohjaiseen koneoppimismalliin ja Excel-pohjaiseen todennäköisyyslaskennan työkaluun.

Mallia testattiin vedonlyöntiin 216 jalkapallo-ottelussa, seitsemässä eurooppalaisessa sarjassa. Tuloksena saavutettiin palautusprosentiksi 103,82. Panostuksen strategiana käytettiin jaettua Kellyn kaavaa. Tärkeimpänä mittarina toimivan Closing Line Valuen keskiarvo oli -0,006 prosenttia, joka on käytännössä odotusarvona nollatulos. Kohdemarkkinana toimi tehokkaana vedonlyöntimarkkinana tunnettu Pinnacle. Tulosten tulkinnassa on huomioitava pienen otoskoon vaikutus satunnaisvaihteluun. Pieni otoskoko johtui siitä, että käytetty datalähde lakkasi toimimasta. Työ vahvisti näkemystä siitä, että koneoppimisen järkevin rooli vedonlyönnissä on toimia datan jalostajana tilastollisten menetelmien pohjaksi, eikä ennustajana.