Беттинговый инжиниринг: марьяж айтишников и трейдеров

Кто такой по-настоящему великий тренер? Это не просто талантливый наставник, прошедший свой спортивный путь и преодолевший немало испытаний и травм (хотя и это тоже). Он — своего рода инженер, конструирующий ту красивую картинку, которую зрители увидят со стадиона и экрана. Почти все, что на первый взгляд кажется случайностью, начиная от тактических приемов и заканчивая траекториями полета мяча, на деле может оказаться результатом математических расчетов тренерского штаба. И в этом нет ничего плохого, ведь, в конце концов, это именно тот футбол, который мы так любим: с неподдельными эмоциями и зрелищами.

То же справедливо и для ставок на спорт. Для зрителя — это возможность получить ни с чем не сравнимые эмоции, ведь смотреть за событием куда интереснее, да и ярких впечатлений намного больше. В Америке веками складывалась такая культура ставок, когда члены семьи делали ставки и с удовольствием (или с грустью) наблюдали за исходом игры, поэтому там ставки рассматриваются скорее не как способ заработать, а как возможность скрасить вечер в кругу семьи, добавив немного остроты.

Однако, за привычными для зрителей прогнозами тоже стоят свои «инженеры», для которых каждая линия — это результат многочасовой, а иногда и многонедельной, аналитической работы.

Держи голову в холоде, или применение data-driven подхода в ставках

Главное отличие ставок на спорт от азартных игр в том, что исход события в меньшей степени зависит от случая и в большой — от расчета. Каждое мероприятие неустанно изучают пре-матч и лайв-команды. Причем, если у первых есть возможность заранее подготовить аналитический обзор и сформировать линии, то вторые должны быть включенными на 100% на протяжении всего события, чтобы, в случае изменений, менять котировки в режиме реального времени.

И тут, пожалуй, мы не приукрасим, если скажем, что спортивный аналитик — это призвание. Просчитывать десятки исходов одного спортивного мероприятия вплоть до последней минуты, работать в режиме многозадачности с большим объемом данных и сравнивать собственные прогнозы с мировыми котировками линий — нет, таким тонкостям спортивной аналитики пока не учат в российских универах. Сюда приходят спортивные комментаторы, математики, финансисты. Например, один из гениальнейших аналитиков современности Джо Пета всю жизнь работал трейдером на Уолл-Стрит, пока не попал в аварию и не оказался в инвалидном кресле. Тогда он и решил заняться тем, что его вдохновляло больше всего: спортивными прогнозами, объединив свою любовь к бейсболу и цифрам. Он изучил данные десятков клубов и, применив регрессионный анализ, вывел свою статическую модель, которую многие применяют и сегодня.

Поэтому для нас трейдеры сродни арканианцам из «Людей в черном», которые предсказывали тысячи вариантов возможного будущего и проживали их все.

А чтобы не было соблазна пойти на поводу у собственных эмоций, на помощь сегодняшним спортивным арканианцам приходит data-driven-подход, который велит все решения принимать с холодной головой и основываться на объективном анализе данных. При этом, как ни странно, рутинной работу трейдинга назвать нельзя.

Рассмотрим на примере такого динамичного вида спорта как баскетбол. Каждая команда может набрать около ста очков за игру, при этом каждый бросок будет оцениваться по-разному, в зависимости от того, с какой дистанции мяч был заброшен. Вариантов развития матча — тысячи, но даже их можно структурировать в своего рода шаблоны. Это позволит, с одной стороны, избежать аналитических ошибок, а с другой — в таких, более узких рамках, аналитик и сможет проявить свою креативность: выдвинуть новые теории расчета, расширения росписи. Таким образом, на замену субъективному «я тут придумал» и безжизненному «статистика не врет» приходит вариант «я тут придумал с опорой на статистику».

Но поскольку наши спортивные аналитики в Лиге Ставок все-таки живые люди, а не мифические существа из «Людей в черном», обрабатывать в голове большие массивы данных им помогает IT-отдел.

Собственно, всю реализацию data-driven-подхода айтишниками можно представить в виде следующего процесса:

1. Выдвижение гипотезы трейдерами.

2. Машинный сбор данных о событии.

3. Проведение эмпирических исследований для выведения зависимостей и закономерностей.

4. Построение алгоритмов на основе полученных результатов.

5. Корректировка и формирование линии, с точки зрения лимитов и рисков.

Теперь мы подходим к самому интересному вопросу: если машина может все просчитать, зачем же нужны спортивные аналитики? Почему бы просто не довериться цифрам… и поставить все на зеро?

Искусственный интеллект против спортивных аналитиков

Нет сферы, куда бы не проник искусственный интеллект. Свои правила он диктует и беттинговой отрасли:

«Скоро в отрасли произойдет разделение на тех, кто внедряет ИИ, и тех, кто этого не делает. Но я думаю, что, если вы не будете применять ИИ, вы останетесь позади».^[1]

Ник Кокрилл, вице-президент компании, разрабатывающей технические решения для беттинговых компаний.

Алексей Егоров, специалист по трейдингу в Лиге Ставок, предлагает взглянуть на вездесущий ИИ немного с другой стороны. Он отмечает, что проблема искусственного интеллекта в том, что он позволяет нам избежать многих ошибок, но вот ошибки, сделанные самим искусственным интеллектом, могут быть куда более критичными, чем те, что допущены аналитиком. Конечно, мы можем и должны попытаться обучить машину с помощью эмпирики. Таким путем мы, например, иногда боремся с неблагонадежными пользователями: намеренно позволяем им ставить на различные события, чтобы отследить их шаблон поведения, вычислить алгоритм их действий и потом наложить ограничения. Но не стоит забывать, что наш мир несовершенен, а машина идет к совершенству, деля все, что попадается ей на пути, на true и false. И в какой-то момент она может не учесть что-то действительно важное.

Например, для прогнозирования исхода футбольного матча программа может подсчитать количество голов, ударов в створ ворот, количество желтых и красных карточек, соотношение нереализованных голевых моментов от общего числа атак и другие факторы. Но не учтет турнирную мотивацию. Ведь далеко не всегда команда хочет выиграть, иногда ей достаточно не вылететь из турнирной таблицы, и такая ситуация вполне себе реальна в конце сезона. Более того, тренерский штаб может решиться на эксперимент и выпустить более слабый состав, зная, что терять уже нечего.

Поэтому:

• использованию ИИ для сбора и анализа информации — да;

• использованию ИИ без человеческого присмотра — нет.

Благодарим за помощь в написании статьи отдел трейдинга в лице Алексея Егорова и отдел IT в лице Александра Присяжнюка.

^[1] AI in Sports Betting: The Next Frontier?