الگوریتم شرط‌بندی ورزشی: مدل‌ها چطور احتمال را محاسبه می‌کنند؟

الگوریتم شرط‌بندی چیزی جادویی نیست؛ مجموعه‌ای از فرمول‌هاست که داده‌های گذشته را به احتمال نتایج آینده تبدیل می‌کند. سه خانواده اصلی وجود دارد: مدل‌های آماری مثل پواسون، سیستم‌های امتیازدهی مثل الو و مدل‌های مبتنی بر ضرایب بازار. در این مقاله هر سه را با مثال عددی می‌بینید و متوجه می‌شوید چرا هیچ‌کدام به‌تنهایی کافی نیست.

مدل پواسون: از میانگین گل تا احتمال نتیجه

ایده ساده است: اگر بدانیم هر تیم به‌طور میانگین چند گل می‌زند، می‌توانیم احتمال هر تعداد گل را با توزیع پواسون حساب کنیم.

احتمال k گل = (e^(−λ) × λ^k) ÷ k!

که در آن λ میانگین گل مورد انتظار تیم است. این میانگین معمولاً از xG (گل مورد انتظار) چند بازی اخیر، با تعدیل برای قدرت حریف و امتیاز میزبانی، به دست می‌آید.

مثال: پرسپولیس میزبان گل‌گهر است. مدل برای پرسپولیس λ = ۱٫۶ و برای گل‌گهر λ = ۰٫۹ تخمین می‌زند.

تعداد گل	احتمال پرسپولیس (λ=۱٫۶)	احتمال گل‌گهر (λ=۰٫۹)
۰	۲۰٫۲٪	۴۰٫۷٪
۱	۳۲٫۳٪	۳۶٫۶٪
۲	۲۵٫۸٪	۱۶٫۵٪
۳	۱۳٫۸٪	۴٫۹٪
۴	۵٫۵٪	۱٫۱٪

احتمال هر نتیجه دقیق، حاصل‌ضرب دو ستون است. مثلاً احتمال ۱-۰: ۰٫۳۲۳ × ۰٫۴۰۷ ≈ ۱۳٫۱٪ و احتمال ۱-۱: ۰٫۳۲۳ × ۰٫۳۶۶ ≈ ۱۱٫۸٪. با جمع کردن همه خانه‌های جدول نتایج:

• برد پرسپولیس: حدود ۵۴٪ → ضریب منصفانه ۱٫۸۶
• تساوی: حدود ۲۵٪ → ضریب منصفانه ۴٫۰۰
• برد گل‌گهر: حدود ۲۱٪ → ضریب منصفانه ۴٫۷۰

اگر سایتی برای برد پرسپولیس ضریب ۲٫۰۵ بدهد، مدل می‌گوید شرط ارزشمند دارید. همین روش برای بازارهای بالا/پایین گل و گل زدن هر دو تیم هم کار می‌کند.

نقطه ضعف پواسون: تعداد تساوی‌های ۰-۰ و ۱-۱ را در واقعیت کمتر از حد تخمین می‌زند و فرض می‌کند گل‌های دو تیم مستقل از هم هستند. مدل‌های پیشرفته‌تر مثل دیکسون-کولز این دو مشکل را با یک ضریب اصلاحی کم می‌کنند.

امتیاز الو: قدرت نسبی تیم‌ها

سیستم الو، که از شطرنج آمده، به هر تیم یک عدد می‌دهد و بعد از هر بازی آن را بر اساس نتیجه و انتظار قبلی به‌روز می‌کند. احتمال برد از اختلاف امتیاز به دست می‌آید:

احتمال برد تیم A = ۱ ÷ (۱ + ۱۰^((امتیاز B − امتیاز A) ÷ ۴۰۰))

مثال: سپاهان ۱۶۵۰ و تراکتور ۱۵۵۰. اختلاف ۱۰۰ امتیاز یعنی احتمال حدود ۶۴٪ برای سپاهان. اگر برای میزبانی ۱۰۰ امتیاز اضافه کنیم، اختلاف ۲۰۰ می‌شود و احتمال به ۷۶٪ می‌رسد. الو مزیت‌هایی دارد: ساده است، حافظه بلند دارد و فرم را خودکار دنبال می‌کند. اما تساوی را مستقیم مدل نمی‌کند و از اختلاف گل و کیفیت موقعیت‌ها بی‌خبر است.

مدل‌های مبتنی بر بازار

خانواده سوم اصلاً تلاش نمی‌کند بازی را پیش‌بینی کند؛ به ضرایب سایت‌های کم‌حاشیه نگاه می‌کند، حاشیه سود را حذف می‌کند و عدد باقی‌مانده را «احتمال بازار» می‌نامد. بعد این احتمال را با ضرایب سایت‌های دیگر مقایسه می‌کند تا اختلاف پیدا کند. منطق پشت آن این است که بازار جمعی، اطلاعاتی بیش از هر مدل منفرد دارد. برای لیگ‌های بزرگ اروپایی این روش بسیار قوی است؛ برای لیگ ایران که حجم شرط کمتر و اطلاعات محلی پراکنده‌تر است، بازار دیرتر و ناقص‌تر واکنش نشان می‌دهد.

محدودیت‌های هر الگوریتمی

1. کیفیت داده: اگر xG لیگ ایران با دقت پایین ثبت شود، خروجی مدل هم بی‌دقت است.
2. رویدادهای ناگهانی: اخراج، مصدومیت دقیقه ۵ یا باران شدید در هیچ مدل پیش از بازی نیست.
3. انگیزه: تیمی که در هفته آخر چیزی برای از دست دادن ندارد، با آمار فصلش بازی نمی‌کند.
4. حجم نمونه: ۳۰ بازی در فصل برای تخمین دقیق کم است؛ خطای تصادفی بزرگ است.
5. بازار یاد می‌گیرد: هر مزیتی که در مدل عمومی باشد، به‌سرعت در ضرایب منعکس می‌شود.

پیش‌بینی‌های ضریب‌یار چطور ساخته می‌شوند؟

ما یک مدل تک‌بعدی نداریم. هر پیش‌بینی فوتبال ترکیبی از سه لایه است: فرم اخیر دو تیم با وزن بیشتر برای ۶ بازی آخر و شاخص‌های موقعیت‌سازی، جایگاه و فاصله امتیازی در جدول رده‌بندی به‌عنوان نشانه انگیزه، و ضرایب فعلی بازار برای سنجش اینکه آیا تخمین ما با قیمت موجود فاصله معنادار دارد یا نه. وقتی هر سه لایه هم‌جهت باشند، پیش‌بینی منتشر می‌شود؛ وقتی ضریب موجود ارزش ندارد، بازی را کنار می‌گذاریم، حتی اگر نتیجه آن قابل حدس باشد.

شرط‌بندی ریسک دارد و فقط برای افراد بالای ۱۸ سال است. تنها با پولی شرط ببندید که از دست دادنش مشکلی برایتان ایجاد نمی‌کند.

سؤالات متداول

آیا با یک الگوریتم خوب می‌توان همیشه سود کرد؟

خیر. حتی بهترین مدل‌ها در بازه‌های چندماهه ضرر می‌دهند. مزیت مدل فقط در حجم بزرگ شرط و با مدیریت سرمایه درست خودش را نشان می‌دهد.

برای شروع کدام مدل ساده‌تر است؟

پواسون. فقط به میانگین گل زده و خورده تیم‌ها نیاز دارد و با یک صفحه گسترده ساده قابل پیاده‌سازی است.

آیا هوش مصنوعی مدل‌های سنتی را بی‌فایده کرده؟

نه. مدل‌های یادگیری ماشین با همان داده‌ها کار می‌کنند و در فوتبال، به دلیل تعداد کم بازی و نقش بزرگ شانس، معمولاً فقط چند درصد بهتر از پواسون تعدیل‌شده عمل می‌کنند.