Το σύστημα ποδοσφαίρου με βάση τα νευρωνικά δίκτυα ξεκίνησε να εφαρμόζεται στην πράξη τον Ιανουάριο του 2011, αν και η βάση δεδομένων χρονολογείται αρκετά χρόνια πριν. Η εκπαίδευση των νευρωνικών δικτύων βασίστηκε στα δεδομένα των 500 πρώτων αγώνων και με βάση το νευρωνικό δίκτυο που δημιουργήθηκε, προέκυψαν οι προβλέψεις στους μελλοντικούς αγώνες. Πάνω σε αυτές τις προβλέψεις στηρίζονται και τα προγνωστικά του συστήματος νευρωνικών δικτύων, η επίδοση των οποίων καταγράφεται καθημερινά για την καλύτερη μελέτη και παρακολούθηση των αποτελεσμάτων. Παρακάτω μελετάται η πορεία του συστήματος, η απόδοσή του και διάφορα στατιστικά μεγέθη που επιτρέπουν την αντικειμενικότερη άποψη όσον αφορά την πιθανή μελλοντική κερδοφορία του συστήματος.

Αυτή τη στιγμή το δείγμα που υπάρχει στο φύλλο Excel του συστήματος περιλαμβάνει 1,769 αγώνες ποδοσφαίρου από τους οποίους υπήρχε πρόβλεψη για τους 1,223. Η [intlink id=”1794″ type=”post”]καταγραφή των στοιχημάτων σε φύλλο Excel[/intlink] βοηθάει στην εξαγωγή ασφαλών συμπερασμάτων όσον αφορά την αποδοτικότητα του συστήματος ποδοσφαίρου. Επιπλέον, μπορείτε κι εσείς μόνοι σας να ασχοληθείτε με την [intlink id=”2693″ type=”post”]κατασκευή ενός συστήματος νευρωνικών δικτύων στο Excel[/intlink], εισάγοντας τις μεταβλητές και τις παραμέτρους που εσείς οι ίδιοι πιστεύετε ότι επηρεάζουν τους αγώνες ποδοσφαίρου.

Ξεκινώντας από τα στατιστικά μεγέθη της αποδοτικότητας του συστήματος, αυτά έχουν ως εξής για το δείγμα που έχει συλλεχθεί μέχρι σήμερα ποντάροντας μια μονάδα ανά αγώνα.

Δείγμα: 1,223 αγώνες

[intlink id=”2736″ type=”post”]Προμήθεια[/intlink]: 5%

Ποσοστό επιτυχίας: 67.13%

Μέσος όρος Κέρδος/Ζημιάς:  0.57332

Προσδοκώμενο Κέρδος: 5.62%

Με βάση τα παραπάνω μεγέθη, είμαστε σε θέση να πραγματοποιήσουμε την [intlink id=”2703″ type=”post”]εξομοίωση της απόδοσης του συστήματος[/intlink] για τυχαίο αριθμό δοκιμών. Στην παρακάτω εικόνα φαίνονται οι 100 πιθανές εξελίξεις της απόδοσης του συγκεκριμένου συστήματος.

Παρατηρούμε ότι στην χειρότερη περίπτωση το αρχικό κεφάλαιο των 100 units έχασε 22% (ελάχιστη τιμή 78) ενώ η καλύτερη απόδοση έφτασε στο 50% μετά από 385 στοιχήματα. Μπορείτε να δοκιμάσετε για πολλές περισσότερες δοκιμές, ώστε  να αποκτήσετε καλύτερη εικόνα της πιθανής πορείας της αποδοτικότητας του συστήματος. Σε 500 δοκιμές που δοκίμασα οι μέγιστες απώλειες ήταν 25% ενώ υπήρχε μία δοκιμή όπου η απόδοση ξεπέρασε το 65%.

Στην πράξη η πορεία του συστήματος μέχρι αυτή τη στιγμή σε περίπτωση που ακολουθείται σταθερό ποντάρισμα αποτυπώνεται στο διπλανό γράφημα. Το συνολικό κέρδος ανέρχεται στο 70% του αρχικού κεφαλαίου εάν ξεκινήσαμε με 100 μονάδες (units) και στοιχηματίζαμε 1 μονάδα ανά στοίχημα, μετά την ολοκλήρωση 1,223 αγώνων. Από τα παραπάνω πάντως καταλήγουμε πως εάν χαθούν συνολικά 25 μονάδες στα επόμενα 350 ή 400 προγνωστικά δε θα μας κάνει εντύπωση, αφού ένα τέτοιου μεγέθους [intlink id=”1345″ type=”post”]drawdown[/intlink] όχι μόνο προβλέπεται, αλλά συνέβη κιόλας και στην πράξη (650ο – 750ο στοίχημα)!

Τι θα γινόταν εάν αντί για [intlink id=”1442″ type=”post”]σταθερό ποντάρισμα[/intlink] ακολουθούσαμε το σύστημα πονταρίσματος με βάση το κριτήριο Kelly; Σύμφωνα με τα παραπάνω νούμερα αλλά όπως φαίνεται κι από γράφημα της εξομοίωσης της απόδοσης, θα έπρεπε να ρισκάρουμε το 9.8% του κεφαλαίου μας σε κάθε στοίχημα για τη βέλτιστη αύξηση του κεφαλαίου. Συνήθως το full kelly όπως ονομάζεται δεν είναι το ιδανικότερο για παίκτες που δεν είναι τόσο ριψοκίνδυνοι και προτιμάται η εφαρμογή του half kelly, στην περίπτωση αυτή το 4.90% του κεφαλαίου ανά στοίχημα. Εάν λοιπόν ξεκινούσαμε με 100 μονάδες κεφάλαιο το σύστημα από την πρώτη στιγμή και ορίζαμε €50 ανά μονάδα, τότε το αρχικό κεφάλαιο των €5,000 θα είχε 10πλασιαστεί σήμερα. Μια σημαντική ωστόσο παραδοχή είναι ότι το ποντάρισμα επαναυπολογίζεται μετά από κάθε αποτέλεσμα στο φύλλο Excel, το οποίο είναι αδύνατον να συμβεί σε πραγματικές συνθήκες, αφού τα στοιχήματα τοποθετούνται ταυτόχρονα σε αρκετούς αγώνες.

Εάν λοιπόν μετά από τη συγκέντρωση ενός μεγάλου δείγματος (5,000 αγώνες) τα νούμερα παραμείνουν στα ίδια επίπεδα, τότε με περισσότερη ασφάλεια μπορούμε να εφαρμόσουμε το κριτήριο Kelly στο ποντάρισμά μας. Μέχρι τότε ακολουθούμε σταθερό ποντάρισμα για να εξαχθούν χρήσιμα μεγέθη και ασφαλή συμπεράσματα.

Ο Jim συνηθίζει να μετράει φύλλα στο Blackjack, να παίζει στοίχημα και πόκερ, αλλά και να επενδύει στις χρηματιστηριακές αγορές του κόσμου.

3 Comments

  1. Καλησπέρα σας….Πολύ ενδιαφέρον το site σας!

    Πάρα πολύ καλό…..
    Επειδή όπως οι περισσότεροι ασχολούμαστε με το στοίχημα…Ωστόσο επειδή είμαι πραγματικά κολλημένος με το στοίχημα,με την “καλή έννοια”,θέλω να φτιάξω στο excel κάποιο αρχείο….
    Είμαι αρχάριος και θα ήμουν ευγνώμων να μου δώσετε οδηγίες το πως να αρχίσω από το μηδέν.
    Θέλω πχ να αρχίσω με το Ελληνικό πρωτάθλημα,με την Σούπερ Λιγκ,να έχω ένα αρχείο 5 χρόνων μαζί με βαθμολογία,προϊστορία και τις αποδόσεις εκείνων των χρόνων.
    Θα χαρώ πολύ να συζητήσω και κάποιες άλλες λεπτομέρειες…….

    • Ευχαριστούμε για τα καλά σου λόγια. Για την κατασκευή μιας βάσης δεδομένων θα χρειαστεί να βρεις τους αγώνες του πρωταθλήματος που σε ενδιαφέρον (Super League όπως λες) με τα αποτελέσματά τους. Στο παρελθόν έχω χρησιμοποιήσει την betradar που μπορείς να βρεις εδώ: http://www.stats.betradar.com/statistics/betfaircom/?language=el Θα πρέπει όμως να βρεις τις τρέχουσες αποδόσεις του κάθε αγώνα καθώς από ό,τι είδα δεν περιέχονται στο site αυτό – καθώς είναι σπάνιο να εμφανίζονται και οι αποδόσεις. Για τη μεταβολή των αποδόσεων μπορείς να ρίξεις μια ματιά εδώ: http://data.betfair.com/

      Από εκεί και πέρα θα πρέπει να φτιάξεις στο φύλλο του Excel μια φόρμουλα, ώστε πριν τον κάθε αγώνα, να γνωρίζεις τα στατιστικά που ήταν διαθέσιμα μέχρι εκείνη τη στιγμή. Δηλαδή στον αγώνα Χ-Ψ της 10ης αγωνιστικής, θα πρέπει να έχεις στατιστικά μεγέθη των τελευταίων 9 αγώνων εκείνου του πρωταθλήματος. Αυτό έχει αρκετή δουλειά, αλλά μόνο έτσι μπορείς να αξιοποιήσεις σωστά τη βάση δεδομένων σου. Βέβαια εξαρτάται ποια στατιστικά χρειάζεσαι για το σύστημά σου, ή πώς θέλει να χρησιμοποιήσεις τη βάση δεδομένων σου.

Leave A Reply

Time limit is exhausted. Please reload CAPTCHA.

Exit mobile version