Информационное письмо
Образец оформления статьи
Анкета автора
29.02.2016

Перспективы применения метода анализа иерархий при совершении спортивных ставок

Гусева Дарья Викторовна
магистрант, кафедра информатики, Санкт-Петербургский государственный экономический университет, г. Санкт-Петербург, Российская Федерация
Витовтов Валерий Антонович
магистрант, кафедра информатики, Санкт-Петербургский государственный экономический университет, г. Санкт-Петербург, Российская Федерация
Кириленко Татьяна Александровна
магистрант кафедры информатики, Санкт-Петербургский государственный экономический университет, г. Санкт-Петербург, Российская Федерация
Аннотация: В современном обществе растет информационная потребность в связи со сложностью управления различными экономическими процессами, даже при совершении ставок необходимо принимать оптимальные решения на любом уровне спортивного беттинга. Для работы с интеллектуально обработанной информацией развиваются методы и средства аккумуляции знаний о развитие экономической системы и используется искусственный интеллект, его же и используют при расчете вероятностей, исполнении определенных алгоритмов прогнозирования, для расчета рисков при совершении ставок. Для работы необходимо выявить методы выработки прибыльной стратегии ставок на результаты спортивных матчей, рассмотреть перспективу реализации метода анализа иерархий с множеством критериев, используя попарное сравнение для выбора определенной альтернативы (проекта) и конечного определения конкретной ставки. Разработав такую систему её можно применить на практике, меняя показатели критериев, простота такой иерархии в данном случае может обеспечить не только выигрышный вариант ставки, но и безопасность такого выбора в случае потери. Конечно же, при верной оценки критериев.
Ключевые слова: анализ иерархий, прибыльная стратегия, модель, управление рисками, спортивный беттинг, ставки, алгоритм, стандарты
Электронная версия
Скачать (761.8 Kb)

1. Введение

Прогнозирование ставок с каждым годом привлекает все больше профессионалов из сфер программирования, математики и статистики. Существуют целые научные журналы, публикующие разработки различных экспериментаторов. Для того чтобы разработать собственный метод или беспроигрышную стратегию на ставках, недостаточно только знаний о состоянии команд, их сериях и мотивации [1-5]. В первую очередь необходимо переработать нечисловую информацию в числовые показатели. Ни один каппер не обходится без понимания теории вероятностей в ставках [13, 14].

Методы кластерного анализа данных, реализованные, например, в программе IBM SPSS Statistics позволяют проводить визуальный анализ данных с помощью простой диаграммы рассеивания и 3D графиков. Также с помощью дендограммы присутствует возможность определиться с количеством кластеров и определить средние значение по каждому из них, выделив лидирующую группу. Взяв данные турнирной таблицы по футбольным играм между командами чемпионата России проводим визуальный анализ данных с помощью диаграммы рассеивания [15]. Результатом является график с переменными «победа» и «поражение», наглядно разделяющий команды на 4 группы: непререкаемые победители, развивающиеся победители, средние позиции и нижние позиции в турнире (Рис. 1).

Рис. 1. Диаграмма рассеивания

Рис. 1. Диаграмма рассеивания

Построение данной диаграммы в виде 3D модели добавит переменную «Ничья», разделение на группы будет менее заметно, а вид преобразуется до формы куба. Все же обычная модель гораздо эффективнее и нагляднее показывает конкретные группы, но для проверки и более точного анализа построение 3D модели обязательно.

Теперь произведем иерархический кластерный анализ на базе всех переменных (Рис. 2). В районе позиции 38 происходит скачок от 2,850 до 4,124, вероятно, это можно считать переходным скачком, тогда оптимальное число кластеров будет равно (42-38) четырем.

Рис. 2. Иерархический кластерный анализ
Рис. 2. Иерархический кластерный анализ

Построив дендограмму и проведя иерархический кластерный анализ по четырем кластерам, выводим средние значения и стандартные отклонения итогов десяти тестов для четырёх кластеров в таблице 1:

  • 1 кластер: Самое высокое среднее значение игр, побед, очков, а также процентной составляющей, среднее значение матчей в ничью немного ниже максимального, среднее значение поражений;
  • 2 кластер: Среднее значение игр, побед, очков на втором месте после 1 кластера, максимальное среднее значение ничьи, поражения, среднее значение процентной составляющей на 3 месте;
  • 3 кластер: Среднее значение игр, побед, ничьи, поражения, очков на 3 месте из всех кластеров, процентная составляющая на втором месте;
  • 4 кластер: Самые низкие показатели по всем характеристикам.

Таблица 1. Средние значения для четырех кластеров

Report

Average Linkage (Between Groups)

Игры

Победы

Ничья

Поражение

Очки

%

1

Mean

681,400

337,000

180,200

164,200

854,200

62,660

N

5

5

5

5

5

5

Std. Deviation

40,4821

40,9145

13,9356

26,1859

78,3275

3,9501

2

Mean

662,500

194,000

188,500

280,000

576,500

43,450

N

2

2

2

2

2

2

Std. Deviation

33,2340

33,9411

,7071

1,4142

68,5894

3,0406

3

Mean

418,200

158,800

116,000

143,400

433,600

52,080

N

5

5

5

5

5

5

Std. Deviation

62,5116

25,7915

12,6886

39,6270

55,3426

4,0690

4

Mean

152,226

43,742

39,935

68,548

127,419

39,823

N

31

31

31

31

31

31

Std. Deviation

89,0546

28,0190

27,6224

36,7068

82,5848

7,4945

Total

Mean

268,419

98,209

72,000

98,209

268,419

44,072

N

43

43

43

43

43

43

Std. Deviation

215,7642

103,2612

60,0682

64,5130

262,9666

10,2721


На основе этих данных делаем вывод, что команды первого кластера наиболее успешны в чемпионате России по футболу. Такой простой анализ позволяет выявить определенные группы, игры команд из которых могут явно перевешивать в определенную сторону [6-8]. Но для большей вероятности выигрыша, при совершении ставки, этого недостаточно, критериев отбора для каждого определенного матча должно быть гораздо больше, так как любой вид спорта является непредсказуемой игрой.

2. Цель исследования

Для применения метода анализа иерархий с использованием попарного сравнения множества критериев, необходимо выявить конкретные факторы, которые возможно сопоставить между собой и альтернативы, которые должны получиться при различных вариациях, в итоге образуя иерархическую структуру с определенными связями [9-11]. Необходим так же отбор экспертов, способных объективно оценить каждую пару факторов (критериев) в данной области [12]. Реализация метода в доступном программном обеспечении с приведением показательного примера и перспективой использования в дальнейшем в целях спортивного беттинга (в сфере футбола).

3. Процедура применения метода анализа иерархий при совершении спортивных ставок

Американский ученый Томас Саати разработал метод анализа иерархий, который успешно реализует программа Super Decisions, позволяя представлять задачу выбора наиболее прибыльной ставки в виде иерархии (Рис. 3). 

Рис. 3. Представление задачи выбора в виде иерархии

Рис. 3. Представление задачи выбора в виде иерархии

Классическая схема представления выглядит именно так: Goal – Criteria – Alternatives. Цель определяется желанием каппера (игрока) выявить конкретный результат и уверенно сделать ставку. Чтобы проанализировать данную иерархию выбранным методом необходимо определить критерии отбора более перспективной альтернативы (Таблица 2). 

Таблица 2. Критерии отбора для метода анализа иерархий

Название критерия

Описание критерия

Анализ BetRadara

Программа анализа и сбора данных по выбранному виду спорта, позволяющая получать статистику игр, результаты, комментарии и котировки коэффициентов;

Коэффициенты букмекеров

Коэффициенты различных букмекерских контор, сравнение вероятности какого-либо исхода;

Количество забитых пенальти

Реализация 11-ти метровых ударов в процентном коэффициенте;

Уход результативных игроков

Потеря результативности командной игры за счет ухода ключевых игроков, являющимися связующими во многих моментов;

Количество голов

Статистика реализации опасных моментов;

Статистика гостевых матчей

Результаты игр в гостях (на чужом поле)

Статистика домашних матчей

Результаты игр на домашнем поле

Количество голов со стандартов

Реализация стандартных розыгрышей в процентном коэффициенте;

Количество угловых

Моменты доведения атаки до возможности розыгрыша стандарта максимально близко к воротам противника;

Смена тренера

Результат внесения нововведений новым тренером, ухудшение или улучшение командной игры;

Усиление игроками

Улучшение результативности за счет покупки индивидуально сильных игроков.


А также для рассматриваемого варианта четыре возможные альтернативы: с победой первой и второй команды, с общим количеством забитых мячей, равном 0,5 и 1,5 соответственно.

Каждый критерий (альтернатива) имеет определенный «вес», он более или менее ценен по сравнению с другим критерием (альтернативой), и для того, чтобы определить этот «вес», необходимо использовать попарное сравнение рассматриваемого множества критериев (альтернатив) (Рис. 4).

Рис. 4. Попарное сравнение множества критериев

Рис. 4. Попарное сравнение множества критериев

В выбранном программном средстве (Super Decisions) есть возможность заполнения матрицы попарных сравнений непосредственно в самой матрице с выбором преобладающего критерия или альтернативы (что означает синяя и красная стрелка) или же выставляя коэффициент важности критерия (альтернативы) отдельно у каждой пары. В результате мы получаем среднее геометрическое значение отдельного критерия или альтернативы и индекс согласованности суждений эксперта, который, рекомендовано, не должен превышать 20%, иначе суждение можно считать «подозрительно выраженным». На рисунке 4 критерии имеют допустимое значение индекса согласованности, несмотря на то, что «Анализ BetRadara» является ярко выраженным, это обуславливается большим преимуществом показателей программы над аналитикой любого эксперта, как в теории, так и в практическом использовании. В данной ситуации по альтернативе прослеживается явно прибыльная ставка на команду «К1» с общим количеством забитых мячей, равным 0,5, она является значимой и наиболее удачной, такие же данные подтверждает и программа BetRadar.

Еще одной возможностью программы Super Decisions является отображение суперматрицы, в которой рассматривается два вектора: критериев и альтернатив. Просуммировав отдельно компоненты этих двух столбцов получаем 100%, нормализированный вектор кластера критериев и альтернатив (Рис. 5).

Рис. 5. Нормализированный вектор кластера критериев и альтернатив

Рис. 5. Нормализированный вектор кластера критериев и альтернатив

Возможность наглядного представления выраженной, значимой альтернативы так же существует в режиме просмотра результата процента предпочтения альтернатив с помощью столбцов суперматрицы и получением с помощью него нормализированного столбца, в результате умножения на два. Идеализированный столбец, полученный с помощью деления нормализированного столбца на максимальное значение, позволяет выявить наиболее предпочитаемую альтернативу и распределить их по убыванию (Рис. 6).

Рис. 6. Наглядное представление значимой альтернативы
Рис. 6. Наглядное представление значимой альтернативы

Таким образом, появляется возможность достигать поставленной цели с помощью метода анализа иерархий, путем выбора конкретных критериев, которые существенно влияют на конечный результат при выборе более вероятной ставки, которая принесет прибыль, исключая риск большой потери [16-20].

4. Выводы

Существует множество методов и возможностей анализа футбольной статистики, как программных, так и выполненных вручную (чаще всего такие методы применяются российскими букмекерскими конторами, за рубежом принято доверять компьютерным технологиям и их логике) при совершении ставок. Перспективу применения метода анализа иерархий и совершение ставки, полагаясь на попарное сравнение множества критериев, показывает выполненный экспериментальный пред матчевый анализ в программе Super Decisions [21, 22]. Использовав лучшую (как считают эксперты) букмекерскую программу Betradar, результат можно считать закрепленным.

Рассматриваемая система с проработанными критериями применима на практике для совершения ставки и на другой матч. Соответственно, существует необходимость в верной оценке тех же критериев с другими показателями, более подходящими к «ставочному» матчу, при этом можно положиться как на мнение экспертов (букмекеров), так и провести самостоятельное исследование каждого фактора перед началом матча.

Список литературы:

1. Гусева Д.В. Выработка прибыльной стратегии ставок на результаты спортивных состязаний на основе расчета рисков // Nauka-rastudent.ru. – 2015. – № 10 (22) / [Электронный ресурс] – Режим доступа. – URL: http://Nauka-rastudent.ru/22/2973/

2. Гусева Д.В. Выравнивание ИТ–стратегии и бизнес–стратегии торговой компании на примере сети гипермаркетов «О’КЕЙ» // Nauka-Rastudent.ru. – 2015. – № 7 (19). – С. 3.

3. Гусева Д.В. Разработка универсального механизма воздействия на риски при выравнивании ИТ-стратегии в сети гипермаркетов «О’КЕЙ» // Nauka-rastudent.ru. – 2015. – № 09 (21) / [Электронный ресурс] – Режим доступа. – URL: http://Nauka-rastudent.ru/21/2881/

4. Гусева Д.В., Мельникова Е.Ф. Разработка универсальной процедуры процесса управления изменениями в информационной системе розничной сети // Nauka-rastudent.ru. – 2015. – № 8 (20) / [Электронный ресурс] – Режим доступа. – URL: http://Nauka-rastudent.ru/20/2885/

5. Гусева Д.В. Разработка универсальной процедуры процесса управления релизами в информационной системе розничной сети // Nauka-rastudent.ru. – 2015. – № 08 (20) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/20/2887/

6. Кириленко Т.А., Гусева Д.В. Требования к построению интегрированных информационных систем управления инжиниринговыми проектами // Nauka-rastudent.ru. – 2015. – № 09 (21) / [Электронный ресурс] – Режим доступа. – URL: http://Nauka-rastudent.ru/21/2891/

7. Гусева Д.В. Экономическая безопасность и риски при совершении ставок на спортивных матчах // Информационная безопасность регионов России (ИБРР-2015). IX Санкт-Петербургская межрегиональная конференция. Санкт-Петербург, 28-30 октября 2015 г.: Материалы конференции / СПОИСУ. – СПб., 2015. – С.210-211.

8. Федотова З.К., Минаков В.Ф., Кириленко Т.А. Перспективы использования адаптивной методологии проектного управления в сфере малого и среднего бизнеса // Nauka-rastudent.ru. – 2015. – № 04 (16) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/16/2584/

9. Кириленко Т.А., Минаков В.Ф., Федотова З.К. Перспективы использования баз знаний в функциональных технологиях управления реализацией проектов и бизнес-процессов инжиниринговых компаний // Nauka-rastudent.ru. – 2015. – № 09 (21) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/21/2882/

10. Мельникова Е.Ф., Кириленко Т.А. Коррекционная устойчивость: резервирование ресурсов под идентифицированные риски изменений // Nauka-rastudent.ru. – 2015. – № 08 (20) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/20/2884/

11. Минаков В.Ф., Кириленко Т.А., Федотова З.К. Интеллектуализация персонала как инновационный фактор производства // Nauka-rastudent.ru. – 2015. – № 04 (16) / [Электронный ресурс] – Режим доступа. – URL: http://nauka- rastudent.ru/16/2583/

12. Витовтов В.А. Адаптационная система проведения конкурсных отборов // Nauka-rastudent.ru. – 2015. – № 10 (22) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/22/2950/

13. Граничин О.Н., Кияев В.И. Информационные технологии и системы в современном менеджменте. – Санкт-Петербург: Издательство ВВМ. – 2014. – 897 с.

14. Минаков В.Ф. Производственная волновая функция // Международный научно-исследовательский журнал = Research Journal of International Studies. – 2014. – № 10-1 (29). – С. 22-25.

15. Минаков В.Ф. Метод анализа многомерных иерархий // Nauka-rastudent.ru. – 2015. – № 7 (19). – С. 31. / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/19/2803/

16. Минаков В. Ф. Зависимость ликвидности банков от показателей экономической конъюнктуры // Региональная информатика (РИ-2014). XIV Санкт-Петербургская международная конференция «Региональная информатика (РИ-2014)». – Санкт-Петербург, 29-31 октября 2014 г.: Материалы конференции. – СПОИСУ. – СПб.: 2014. – С. 203.

17. Минаков В.Ф., Минакова Т.Е. Математическая модель кумулятивного эффекта энергосбережения // Известия высших учебных заведений. Электромеханика. – 2013. – № 1. – С. 197–199.

18. Минакова Т.Е., Минаков В.Ф. Инновационное развитие региональных информационных ресурсов как облачных платформ // Альманах современной науки и образования. Тамбов: Грамота. – 2013. – № 12 (79). – С. 116–117.

19. Минаков В. Ф. Экономическая волнометрика воспроизводства // Nauka-rastudent.ru. – 2015. – № 02 (014-2015) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/14/2424/. – С. 5.

20. Минаков В.Ф., Барабанова М.И., Радченко М.В. Математическая модель обслуживания потока заявок в национальной платежной системе // Материалы 5-й научно-практической internet-конференции Междисциплинарные исследования в области математического моделирования и информатики. – Ульяновск. – 2015. – С. 24-31.

21. Минаков В.Ф., Минакова Т.Е., Галстян А.Ш., Шиянова А.А. Обобщенная экономико-математическая модель распространения и замещения инноваций // Экономический анализ: теория и практика. – 2012. – № 47 (302). – С. 49-54.

22. Минаков В.Ф., Корчагин Д.Н., Король А.С., Шевцов М.А. Пустахайлов С. К. Математическое моделирование автоматизированных информационных процессов // Вестник Северо-Кавказского федерального университета. – 2006. – № 3. – С. 15–19.