发家致富靠 AI ?使用 keras 预测NBA比赛赚钱,回报率达136%……

2023-11-08 19:30

本文主要是介绍发家致富靠 AI ?使用 keras 预测NBA比赛赚钱,回报率达136%……,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

作者 | Caleb Cheng

译者 | Deephub翻译组

来源 | DeepHub IMBA

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.gamesseasons = [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 nparrfor 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 Adamc = 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

推荐阅读

  • 真没想到,Python还能实现5毛特效

  • 作词家下岗系列:教你用 AI 做一个写歌词的软件!

  • AI修复100年前晚清影像喜提热搜,这两大算法立功了

  • 阿里云自研数据仓库 AnalyticDB 再捧 TPC 全球冠军

  • 调查了 17,000 多位程序员,当前的云原生开发现状究竟如何?

  • CSW:惊天巨骗 or 比特币“图腾”中本聪?

  • 从 0 到 70%:Chrome 上位揭秘!

  • 你点的每个“在看”,我都认真当成了AI

这篇关于发家致富靠 AI ?使用 keras 预测NBA比赛赚钱,回报率达136%……的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/372010

相关文章

postgresql使用UUID函数的方法

《postgresql使用UUID函数的方法》本文给大家介绍postgresql使用UUID函数的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录PostgreSQL有两种生成uuid的方法。可以先通过sql查看是否已安装扩展函数,和可以安装的扩展函数

如何使用Lombok进行spring 注入

《如何使用Lombok进行spring注入》本文介绍如何用Lombok简化Spring注入,推荐优先使用setter注入,通过注解自动生成getter/setter及构造器,减少冗余代码,提升开发效... Lombok为了开发环境简化代码,好处不用多说。spring 注入方式为2种,构造器注入和setter

MySQL中比较运算符的具体使用

《MySQL中比较运算符的具体使用》本文介绍了SQL中常用的符号类型和非符号类型运算符,符号类型运算符包括等于(=)、安全等于(=)、不等于(/!=)、大小比较(,=,,=)等,感兴趣的可以了解一下... 目录符号类型运算符1. 等于运算符=2. 安全等于运算符<=>3. 不等于运算符<>或!=4. 小于运

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

三频BE12000国补到手2549元! ROG 魔盒Pro WIFI7电竞AI路由器上架

《三频BE12000国补到手2549元!ROG魔盒ProWIFI7电竞AI路由器上架》近日,华硕带来了ROG魔盒ProWIFI7电竞AI路由器(ROGSTRIXGR7Pro),目前新... 华硕推出了ROG 魔盒Pro WIFI7电竞AI路由器(ROG STRIX GR7 Phttp://www.cppcn

一文详解如何使用Java获取PDF页面信息

《一文详解如何使用Java获取PDF页面信息》了解PDF页面属性是我们在处理文档、内容提取、打印设置或页面重组等任务时不可或缺的一环,下面我们就来看看如何使用Java语言获取这些信息吧... 目录引言一、安装和引入PDF处理库引入依赖二、获取 PDF 页数三、获取页面尺寸(宽高)四、获取页面旋转角度五、判断

C++中assign函数的使用

《C++中assign函数的使用》在C++标准模板库中,std::list等容器都提供了assign成员函数,它比操作符更灵活,支持多种初始化方式,下面就来介绍一下assign的用法,具有一定的参考价... 目录​1.assign的基本功能​​语法​2. 具体用法示例​​​(1) 填充n个相同值​​(2)

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​,用于描述对象在其生命