Machine learning for sports betting: should model selection be based on accuracy or calibration?

要約

米国における最近のスポーツ賭博の連邦政府による合法化は、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確実に予測できれば、ブックメーカーのオッズがいつ自分たちに有利になるかを認識できるようになります。
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儲かる可能性があります。
多くの研究者は、一般に精度を使用して予測モデルのパフォーマンスを評価することにより、スポーツ結果の予測問題に機械学習を適用してきました。
私たちは、スポーツ賭博の問題では、モデルの校正が精度よりも重要であると仮説を立てます。
この仮説を検証するために、数シーズンにわたる NBA データでモデルをトレーニングし、公開されたオッズを使用して単一シーズンでベッティング実験を実行します。
モデル選択の基準として精度ではなくキャリブレーションを使用すると、平均で (投資収益率 $+34.69\%$ 対 $-35.17\%$)、最良の場合 ($+
36.93\%$ 対 $+5.56\%$)。
これらの調査結果は、スポーツ賭博 (またはあらゆる確率的意思決定の問題) にとって、精度よりも調整が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、精度ではなく調整に基づいて予測モデルを選択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 reliably 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 predictive 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. We show that using calibration, rather than accuracy, as the basis for model selection leads to greater returns, on average (return on investment of $+34.69\%$ versus $-35.17\%$) and in the best case ($+36.93\%$ versus $+5.56\%$). These findings suggest that for sports betting (or any probabilistic decision-making problem), calibration is a more important metric than accuracy. Sports bettors who wish to increase profits should therefore select their predictive model based on calibration, rather than accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google