Machine learning for sports betting: should forecasting models be optimised for accuracy or calibration?

要約

最近の米国連邦政府によるスポーツ賭博の合法化は、機械学習の黄金時代と一致しています。
ベッターがデータを活用して結果の確率を正確に予測できれば、ブックメーカーのオッズが有利になる時期を認識することができます。
スポーツ賭博は米国だけでも数十億ドル規模の産業であるため、そのような機会を特定することは非常に有利になる可能性があります。
多くの研究者が機械学習をスポーツの結果予測問題に適用しており、一般的に精度を使用して予測モデルのパフォーマンスを評価しています。
スポーツ賭博の問題では、モデルのキャリブレーションが精度よりも重要であると仮定します。
この仮説を検証するために、数シーズンにわたって NBA データでモデルをトレーニングし、公開されているオッズを使用して、1 つのシーズンでベッティング実験を行います。
さまざまなベッティング システムを評価した結果、予測モデルをキャリブレーション用に最適化すると、精度を最適化するよりも大きなリターンが得られることがわかりました。
対 $222.84\%$)。
これらの調査結果は、スポーツ ベッティング (または各結果の予測確率に基づいて決定が行われる予測問題) では、キャリブレーションが精度よりも重要な指標であることを示唆しています。
したがって、利益を増やしたいスポーツベッターは、キャリブレーションのために予測モデルを最適化する必要があります。

要約(オリジナル)

Sports betting’s recent federal legalisation in the USA coincides with the golden age of machine learning. If bettors can leverage data to accurately predict the probability of an outcome, they can recognise when the bookmaker’s odds are in their favour. As sports betting is a multi-billion dollar industry in the USA alone, identifying such opportunities could be extremely lucrative. Many researchers have applied machine learning to the sports outcome prediction problem, generally using accuracy to evaluate the performance of forecasting models. We hypothesise that for the sports betting problem, model calibration is more important than accuracy. To test this hypothesis, we train models on NBA data over several seasons and run betting experiments on a single season, using published odds. Evaluating various betting systems, we show that optimising the forecasting model for calibration leads to greater returns than optimising for accuracy, on average (return on investment of $110.42\%$ versus $2.98\%$) and in the best case ($902.01\%$ versus $222.84\%$). These findings suggest that for sports betting (or any forecasting problem where decisions are made based on the predicted probability of each outcome), calibration is a more important metric than accuracy. Sports bettors who wish to increase profits should therefore optimise their forecasting model for calibration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google