AI Sports Event Prediction System for Bookmakers

AI-предсказание спортивных событий для букмекеров

Букмекерский рынок — один из наиболее конкурентных применений предиктивного ML. Sharp-money синдикаты оперируют моделями с миллиардными оборотами. Ценность AI для букмекера — не в "более точном прогнозе", а в операционном преимуществе: более быстрое ценообразование, лучший risk management, выявление арбитражников.

Специфика букмекерского прогнозирования

Рыночная эффективность: Closing line Pinnacle — агрегированный wisdom of crowds нескольких тысяч sharp players. Превзойти closing line систематически — задача сложнее, чем кажется.

Ценность модели не в accuracy: Правильный исход 60% при fair odds = прибыль. 60% при переоцененных ставках = убыток. Ключевая метрика — Closing Line Value (CLV): насколько ранняя котировка лучше closing.

Типы прогнозов:

prediction_markets = {
    'pre-match': {
        'horizon': '24-72 часа до события',
        'data_quality': 'высокое — всё известно',
        'competition': 'максимальная',
        'margin': '3-7% у softs, 1-2% у Pinnacle'
    },
    'live_in-play': {
        'horizon': 'секунды-минуты',
        'data_quality': 'реальное время, API матча',
        'competition': 'высокая для топ-событий',
        'speed_advantage': 'критично'
    },
    'novelty_markets': {
        'examples': 'угловые, карточки, тайм-события',
        'competition': 'ниже — меньше моделей',
        'edge_opportunity': 'выше'
    }
}

Pre-match модели

Футбол — Poisson Goal Model:

from scipy.stats import poisson
import numpy as np

class ExtendedDixonColes:
    def __init__(self):
        self.team_attack = {}
        self.team_defence = {}
        self.home_advantage = 0.3

    def predict_match(self, home_team, away_team, venue='home'):
        """
        Dixon-Coles с временным взвешиванием и силой состава
        """
        ha = self.home_advantage if venue == 'home' else 0

        lambda_home = np.exp(
            self.team_attack[home_team] -
            self.team_defence[away_team] + ha
        )
        lambda_away = np.exp(
            self.team_attack[away_team] -
            self.team_defence[home_team]
        )

        score_matrix = np.zeros((11, 11))
        for h in range(11):
            for a in range(11):
                score_matrix[h, a] = (
                    poisson.pmf(h, lambda_home) *
                    poisson.pmf(a, lambda_away) *
                    self._low_score_correction(h, a, lambda_home, lambda_away)
                )

        p_home = np.sum(np.tril(score_matrix, -1))
        p_draw = np.sum(np.diag(score_matrix))
        p_away = np.sum(np.triu(score_matrix, 1))

        return p_home, p_draw, p_away

    def _low_score_correction(self, h, a, lh, la):
        if h == 0 and a == 0:
            rho = -0.1
            return 1 - lh * la * rho
        elif h == 1 and a == 0:
            rho = -0.1
            return 1 + la * rho
        elif h == 0 and a == 1:
            return 1 + lh * rho
        elif h == 1 and a == 1:
            return 1 - rho
        return 1.0

Ensemble архитектура:

model_ensemble = {
    'Dixon-Coles': {'weight': 0.30, 'type': 'statistical'},
    'LightGBM_features': {'weight': 0.25, 'type': 'ml'},
    'Elo_system': {'weight': 0.15, 'type': 'rating'},
    'Pinnacle_market': {'weight': 0.30, 'type': 'market_signal'}
}

def ensemble_probability(match):
    probs = {}
    for model_name, config in model_ensemble.items():
        probs[model_name] = models[model_name].predict(match)

    final_prob = sum(
        probs[m] * config['weight']
        for m, config in model_ensemble.items()
    )
    return final_prob

Live In-Play моделирование

State-based model:

class LiveMatchState:
    def __init__(self, match_id):
        self.score = [0, 0]
        self.minute = 0
        self.red_cards = [0, 0]
        self.xg_accumulated = [0.0, 0.0]  # expected goals до сих пор
        self.momentum = 0.0  # последние 15 минут: shots, corners, pressure

    def update_win_probability(self):
        """
        Марковский процесс: из текущего состояния → прогноз финала
        """
        remaining_xg = expected_goals_remaining(self.minute, self.momentum)

        # Monte Carlo: симулируем оставшееся время
        n_sims = 10000
        home_final_goals = np.random.poisson(
            self.score[0] + remaining_xg[0], n_sims
        )
        away_final_goals = np.random.poisson(
            self.score[1] + remaining_xg[1], n_sims
        )

        p_home = np.mean(home_final_goals > away_final_goals)
        p_draw = np.mean(home_final_goals == away_final_goals)
        p_away = np.mean(home_final_goals < away_final_goals)
        return p_home, p_draw, p_away

Скорость критична: Live котировки меняются каждые секунды. Pipeline: данные провайдер (Sportradar, Stats Perform) → обработка < 100ms → модель inference < 50ms → pricing engine → публикация.

# FastAPI endpoint для live odds
@app.post("/live/update")
async def update_live_odds(match_event: MatchEvent):
    state = live_states[match_event.match_id]
    state.process_event(match_event)
    new_probs = state.update_win_probability()
    odds = probs_to_odds(new_probs, margin=0.05)
    return odds

Risk Management

Automated Liability Management:

def manage_book_exposure(match_id, outcome_category, new_bet_amount, odds):
    current_liability = book_positions[match_id][outcome_category]
    max_liability = risk_limits[match_id]['max_single_outcome']

    if current_liability + new_bet_amount * (odds - 1) > max_liability:
        # Принять ставку с уменьшенным размером или отклонить
        accepted_amount = max(0, (max_liability - current_liability) / (odds - 1))
        return accepted_amount

    book_positions[match_id][outcome_category] += new_bet_amount * (odds - 1)
    return new_bet_amount

Sharps Detection: Идентификация профессиональных игроков — ключевая задача. Признаки:

• Систематические ставки по opening odds (до движения рынка)
• CLV: котировка хуже closing → острый игрок
• Betting pattern: маленькие суммы во многих конторах
• Парлеи и системы с ненулевым expected value

def classify_bettor(bet_history):
    features = {
        'clv_mean': np.mean(bet_history['closing_line_value']),
        'early_odds_preference': bet_history['minutes_before_event'].mean(),
        'stake_variance': bet_history['stake'].std(),
        'roi': bet_history['profit'].sum() / bet_history['stake'].sum(),
        'markets_diversity': bet_history['market'].nunique()
    }

    # Если CLV > 0 систематически + ранние ставки → sharp
    if features['clv_mean'] > 0.03 and features['early_odds_preference'] > 120:
        return 'sharp', limit_account(account_id)
    return 'recreational', None

Альтернативные рынки

Prop Markets (частные события матча): Угловые удары, карточки, статистика игроков — менее эффективные рынки. Специализированные модели:

• Угловые: прессинг-интенсивность, стиль игры команд
• Карточки: агрессивность игрока (fouls per 90), судья (cards per match)
• Irst/Anytime scorer: historical shot counts + position

Player Props (NBA, NFL): Индивидуальная статистика игрока — отдельная ниша. Данные: SportsReference, Basketball-Reference + PFF (Pro Football Focus).

Сроки: базовая Poisson модель + ensemble + Sportradar интеграция — 4-5 недель. Live модель + risk management + sharps detection + prop markets — 3-4 месяца. Полная trading платформа с automated liability, custom markets, bettor profiling — 5-7 месяцев.