专栏首页DeepHub IMBA发家致富靠AI:使用keras预测NBA比赛赚钱,回报率136%

发家致富靠AI:使用keras预测NBA比赛赚钱,回报率136%

投注者和博彩者没有太多共同点——人们可以把他们的关系描述为一场竞争、决斗、战争。但在梦中,他们却为同样的幻想而垂涎三尺:一个完美的预测模型,使用它能够精确地预测出未来游戏的结果。通过深入学习,这或许是可能的——或者至少比以前的数据科学技术更容易。

基本假设是NBA市场效率低下(价格或投注线并不能反映出所有可用信息),而且可能比大多数市场效率更低,因为铁杆球迷倾向于只赌他们最喜欢的球队。如果你能对市场的低效率下赌注,你就能赚钱。我们识别低效率的方法之一是通过数据分析。

尽管许多尝试这一挑战的模型都是准确的,但大多数模型离盈利还差得很远。原因很简单:博彩公司也非常准确。即使你能达到博彩公司的准确性,你也会因为5%的投注费而失败。

https://www.football-data.co.uk/blog/nba_pinnacle_efficiency.php

图表是365net的预测线与实际的赢取百分比。一个成功的模型必须能够通过完美的回归分析预测博彩公司的微小波动。

我的模型是用带有Tensorflow的Python构建的,它分析了过去11个NBA赛季,并且在很多方面与其他的深度学习模型相似(后者经常被试图用于解决这个问题)。但是我们的模型有一个关键的区别——它使用了一个自定义的损失函数来剔除与博彩公司的相关性。我们正在挑选博彩公司错误预测获胜百分比的游戏。

去相关损失公式-这很重要!!!!!!!

源码

模型结构

我用nba_api Python库抓取了得分记录。数据存储在MongoDB集合中。在过去的11个赛季中,每名球员每局共存储42个统计数据,从罚球率到防守得分再到偷球次数不等。下注数据是从betexplorer中收集的。找到高质量的投注线比训练模型困难得多。你可以向斯洛文尼亚卢布雅那大学的什特鲁姆贝尔教授寻求帮助。

对于每一场比赛,样本是用赛季初每名球员最近8场比赛的平均数计算出来的。根据平均比赛时间选出前8名选手。

模型

预处理

  import os  
  import numpy as np  
  from tqdm import tqdm  
  from pymongo import MongoClient  
  bookies = {  
      "44":"Betfair",  
      "16":"bet365",  
      "18":"Pinnacle",  
      "5":"Unibet"  
  }  
  client = MongoClient()  
  db = client.nba  
  games = db.games  
    
  seasons = [f"002{str(i).zfill(2)}" for i in range(8, 20)]  
  # load the samples into memory  
  x, y = [], []  
  def normalize_sample(nparr):  
      for feature in range(nparr.shape[-1]): # iterate over the features  
          f = np.nan_to_num(nparr[:, :, feature])  
          nparr[:, :, feature] = (f-f.min())/(f.max()-f.min())  
      return nparr  
    
  for season in seasons:  
      for filename in tqdm(os.listdir(f"samples/{season}")[120:]):  
          if ".npy" in filename:  
              game = list(games.find({"GAME_ID":filename.strip(".npy"), "bet365":{"$exists":"True"}}))  
              if not game:  
                  continue  
              game = game[0]  
              closing_odds = 1/float(game["bet365"].split()[1].split("v")[0])  
              home_win = int(game["HOME"] == game["WINNER"])  
              sample = np.load(f"samples/{season}/{filename}")  
              x.append((normalize_sample(sample), closing_odds))  
              y.append(home_win)  
  x = np.array(x)  
  y = np.array(y)  
    
  import random  
  print(x.shape, y.shape)  
  diff = len(y)//2 - np.count_nonzero(y == 0)  
  for i in tqdm(range(diff)):  
      while True:  
              a = random.randint(1, len(y)-1)  
              if y[a] == 1:  
                  x = np.delete(x, a, 0)  
                  y = np.delete(y, a, 0)  
                  break  
  print(len(x), len(y))

模型

from keras import backend as K  
from keras.models import Model  
from keras.models import Sequential  
from keras.layers import Input, Dense, Dropout, Conv2D, Flatten, Activation, concatenate  
from keras.optimizers import Adam  
  
c = 0.6  
def decorrelation_loss(neuron):  
    def loss(y_actual, y_predicted):  
          return K.mean(  
                  K.square(y_actual-y_predicted) - c * K.square(y_predicted - neuron))  
      return loss  
    
  # split the two input streams  
  box_scores_train, odds_train = map(list, zip(*x_train))  
  box_scores_test, odds_test = map(list, zip(*x_test))  
    
  # box model turns stats into a vector  
  box_model = Sequential()  
  shape = box_scores_train[0].shape  
  print(shape)  
  box_model.add(Conv2D(filters=32, kernel_size=(1, 8), input_shape=shape,  
                   data_format="channels_first", activation="relu"))  
  box_model.add(Flatten())  
    
  box_input = Input(shape=shape)  
  box_encoded = box_model(box_input)  
    
  odds_input = Input(shape=(1,), dtype="float32") #(opening or closing weight)  
  merged = concatenate([odds_input, box_encoded])  
  output = Dense(32, activation="relu")(merged)  
  output = Dropout(0.5)(output)  
  output = Dense(8, activation="relu")(output)  
  output = Dropout(0.5)(output)  
  signal = Dense(1, activation="sigmoid")(output)  
    
  opt = Adam(lr=0.0001)  
  nba_model = Model(inputs=[box_input, odds_input], outputs=signal)  
  print(nba_model.summary())  
    
  nba_model.compile(optimizer=opt,  
                    #loss="binary_crossentropy",  
                loss=decorrelation_loss(odds_input), # Call the loss function with the selected layer  
                metrics=['accuracy'])  
  nba_model.fit([box_scores_train, odds_train], y_train,  
                batch_size=16,validation_data=([box_scores_test, odds_test], y_test), verbose=1,epochs=20)

该模型是Conv2D和稠密层的组合,具有大量的dropout。模型独一无二的部分是去相关性损失函数,在我的第一篇论文中提到过。尽管Keras本身并不支持具有神经元值的损失函数,但将函数包装在函数中是一种有用的解决方法。我在GTX 1660Ti上训练了20个世代的网络,直到网络收敛。

结果

使用一种非常原始的赌博策略,即10%的平衡*模型置信度,并且仅在模型的置信度大于0.6的游戏上赌博,我们就产生了向上的平衡趋势。有趣的是,这个模型只赌了大约10%的游戏。除了整个2017-18赛季的惨败,我们的模型表现非常好,从最初的100美元投资到现在的136美元,峰值为292美元。

展望与未来

这只是这个模型的开始。有了令人鼓舞的结果,我想制定一个更具活力的投注策略。

唯一有用的可能是下注代码和模型。

使用NoSQL是一个错误,我应该坚持使用SQLite,但是学习一种新技术是很好的。编写一个自定义损失函数是一个非常宝贵的经验,并将在未来的深入学习项目中派上用场。

代码地址:https://github.com/calebcheng00/nba_predictions/blob/master/nba.ipynb

作者:Caleb Cheng

deephub翻译组·:tensor-zhang

本文分享自微信公众号 - DeepHub IMBA(deephub-imba),作者:P**nHub兄弟网站

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-04-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 不平衡数据集分类实战:成人收入数据集分类模型训练和评估

    一个常用的例子是成人收入数据集,它涉及到社交关系、教育水平等个人数据,以此来预测成人的收入水平,判断其是否拥有5万美元/年的个人收入。数据集中个人收入低于5万美...

    deephub
  • 算法大赛神器:集成学习方法关键点介绍

    本文的目的是介绍集成学习方法的各种概念。将解释一些必要的关键点,以便读者能够很好地理解相关方法的使用,并能够在需要时设计适合的解决方案。

    deephub
  • 通过 Python 代码实现时间序列数据的统计学预测模型

    Autoregressive Integrated Moving Average model (ARIMA),差分整合移动平均自回归模型。ARIMA(p,d,q...

    deephub
  • M3U8视频加密方案

    M3U8视频如何加密?加密后能实现哪些功能?通过专用加密软件进行加密,加密后的视频在电脑网页/安卓和IPhone等手机网页中均可打开即播,杜绝了下载后播放、杜绝...

    点量小崔
  • 大数据利器2018版

    黑光技术
  • python-模块

    模快和要执行的py文件在同一目录且需要模块中的很多功能时,推荐使用:import 模块

    py3study
  • 摩根大通:谁在使用加密数字货币,市场大跌的原因是什么?非法交易比例有多少?(节选自《解码加密数字货币:技术,应用和挑战》)

    本文节选自摩根大通报告《解码加密数字货币:技术,应用和挑战》,中文版完整报告请见文末! 去年,加密数字货币市值大幅上涨,目前大约为4000亿美元,大约是黄金总...

    点滴科技资讯
  • 视频在移动端的两种加密方法?

    1、绑定域名。加密后的视频限制仅能在允许的域名网页中播放。用户登录后才可以进入播放器观看。

    IPTV OTT
  • 从零开始react实战:云书签-1 react环境搭建

    本篇是实战系列的第一篇,主要是搭建 react 开发环境,在create-react-app的基础上加上如下功能:

    用户2038589
  • 设计模式之抽象工厂模式

    抽象工厂模式(Abstract Factory Pattern)是围绕一个超级工厂创建其他工厂。该超级工厂又称为其他工厂的工厂。这种类型的设计模式属于创建型模式...

    Java编程指南

扫码关注云+社区

领取腾讯云代金券