Недавно начал читать книгу Нейта Сильвера «Сигналы и Шум». Как и многие зарубежные издания, она написана в стиле, где одна ключевая мысль подается в обширном контексте, щедро разбавленном дополнительной информацией. Лично мне такая манера изложения импонирует: текст воспринимается легко, а главные идеи фиксируются практически автоматически.
Основная тема книги — прогнозирование. Автор подчеркивает, что в современном мире информационный поток переполнен данными, которые лишь поверхностно отражают суть процессов. Такой шум создает иллюзию значимости, но на деле лишь засоряет эфир. В то же время, редкие крупицы действительно ценной информации — сигналы — указывают на реальную суть происходящего. Главная задача прогнозиста, по мнению Сильвера, — научиться отличать эти сигналы от шума.
В книге есть интересные разделы, посвященные спорту и спортивным ставкам. Я начал с восьмой главы, поэтому приведу пример из нее. Речь идет об известном американском каппере Бобе Вулгаресе. Его история началась с удачной ва-банковской ставки на матч «Лейкерс», где он сумел воспользоваться явным перевесом над линией. Этот успех стал отправной точкой для его профессионального роста. В дальнейшем Боб действовал строго в рамках управления банкроллом (БРМ), что позволило ему удержаться на плаву и добиться стабильных результатов.
Секрет его успеха заключался в том, что он использовал статистическую модель для оценки вероятностей событий. Машина обрабатывала огромные объемы информации, включая шум, и предлагала события с минимальным перевесом. Однако решающим этапом оставался человеческий фактор: Боб самостоятельно анализировал каждое событие, используя свои глубокие знания НБА и доступ к специфической информации. Иногда сигналами становились детали, далекие от статистики: контрактные амбиции игроков или даже посты в социальных сетях о вечеринках.
В этой же главе описывается, как можно интегрировать в такую систему теорему Байеса, чтобы сделать прогнозы еще точнее.
Совпало так, что в последнее время два события стали для меня взаимосвязанными.
Во-первых, я задумался о том, чтобы собрать пул данных, которые могли бы помочь в оценке вероятности исхода тех или иных событий.
Во-вторых, я начал читать книгу Нейта Сильвера «Сигналы и Шум».
Эти два события неожиданно привели к одной интересной идее: попробовать применить подход Сильвера, оценивая информационные потоки через критерий «шум/сигнал». Такая концепция выглядит особенно любопытно в рамках проекта, где я собираюсь разработать модель прогнозирования, протестировать её публично в реальном времени и оценить эффективность.
Вместе с моим коллегой мы определили ключевые информационные потоки, которые, на наш взгляд, могут служить базой для оценки вероятности наступления событий в футболе.
На основании наших обсуждений выделили основные информационные потоки, которые могут использоваться для оценки вероятности футбольных событий. При этом каждому из них дали оценку, является ли это шумом или сигналом.
Наши наблюдения:
- Последние результаты команд дома/на выезде
Это полезный индикатор общих тенденций, но он практически не дает перевеса. Такая информация широко доступна и фактически не может считаться сигналом. Скорее, это шум. - Игра против забивных/незабивных команд или тех, кто хорошо/плохо обороняется
В стандартном виде — это шум, так как такие показатели легко анализируются букмекерами через средние значения. Но если статистику персонализировать, глубже проанализировать конкретные матчи или ситуации, она может стать сигналом. Такой подход требует усилий, но и дает преимущество, так как большинство любителей ставок так глубоко не копают. - Наличие/отсутствие ключевых игроков
В ранней линии букмекеры редко полноценно учитывают эту информацию, что делает её сигналом. Однако в поздней линии она уже полностью отыграна, превращаясь в шум. - Отставки тренеров в топовых лигах
В высших дивизионах эта информация сразу же учитывается букмекерами, поэтому это шум. В низших лигах, где данные менее доступные, это может стать сигналом. В целом, оценка — 50/50. - Влияние календаря
Как правило, этот фактор ближе к шуму, так как он изначально закладывается в коэффициенты. - Погода
Экстремальные погодные условия, такие как сильный мороз (например, -20 градусов) или сильный ветер, влияющий на одну сторону поля, — это однозначно сигнал. - Совпадение интересов команд
Если удается полностью владеть этой информацией, это становится мощным сигналом, особенно в низших лигах. Однако добыть такие данные сложно, что снижает практическую пользу.
Факторы от коллеги :
- Принципиальность матча (дерби)
Если уровень команд различается, это сигнал — примером может быть недавний матч «Марсель» – «ПСЖ». Однако в случае равного уровня (например, «Спартак» – «ЦСКА») это превращается в шум. - Время матча
Современные клубы хорошо адаптируются к различному времени игр, поэтому этот фактор стал скорее шумом. - Судья
Если удается определить тенденции в манере судейства (например, склонность назначать пенальти или раздавать карточки), это становится сильным сигналом.
Итог
Этот перечень дает основу для отделения шумов от сигналов при анализе футбольных событий. Продолжая исследование, можно более глубоко изучить каждый фактор и интегрировать полученные выводы в модель прогнозирования, которая будет протестирована в реальном времени.
На основании наших наблюдений и обсуждений мы выделили основные информационные потоки для анализа футбольных событий, но я понимаю, что они в основном лежат на поверхности. Есть еще более глубокие факторы, которые напрямую определяют уровень и класс игры.
Например, такие показатели, как:
- Количество тактико-технических действий (ТТХ), которые выполняет команда.
- Пробег игроков за матч (общий километраж).
- Эффективность реализации стандартных положений.
- Умение команды играть против так называемого «автобуса» (глубокой обороны соперника).
- Способность адаптироваться к различным тактическим сценариям на поле.
Эти данные, несомненно, могут дать ценные сигналы и обеспечить перевес при анализе. Однако их сбор требует автоматизации, а источники информации в доступном виде мне пока неизвестны. Более того, вряд ли я буду использовать это в ближайшее время, так как это выходит за рамки моих текущих возможностей и ресурсов.
На данном этапе достаточно уже выделенных факторов. Сейчас важно сосредоточиться на их оцифровке, привязке к реальным событиям и тестировании модели. У меня появилось множество идей, которые нужно структурировать и проработать. В ближайшем будущем займусь реализацией этой задумки и посмотрю, насколько она жизнеспособна.
