Minería de datos en apuestas sin engañarte: prueba fuera de la muestra
Más datos no hacen verdadera una regla. Pruébala con apuestas que nunca ha visto, y cuenta cuántas reglas probaste.
La minería de datos para un apostante consiste en cribar cuotas y resultados pasados en busca de una regla que merezca apostarse, y después comprobarla con apuestas que nunca vio. Un artículo de Pinnacle describe un modelo de apuestas como un sistema que puede identificar puntos de referencia sin sesgo para determinar la probabilidad de todos los resultados, y dice después que hay que probarlo y mantenerlo. La trampa es el volumen: prueba suficientes reglas y la mejor de ellas parecerá una ventaja. Supón que se prueban 250 reglas sin ventaja, cada una con sus propias 200 apuestas independientes a cuotas de 2,00 e importes fijos; la mejor obtiene de media +19,87 % por apuesta (hipotético). Esta página trata de los datos, de las variables, de esa trampa y de lo que un registro de apuestas te permite probar en un exchange como Orbit Exchange.
De dónde salen los datos
Un artículo de Pinnacle sobre cómo construir un modelo de apuestas da dos formas de reunir datos: «by yourself, or by using other published data online». El alcance es una decisión. El mismo artículo pregunta «should you consider all matches or just their league games?» y responde que la decisión está «determined by what your aim is». Así que primero va el objetivo, y la hoja de cálculo después.
Las pantallas propias de los brokers, como extractos, analíticas y gráficos del historial de cuotas, cambian de un broker a otro. La página de herramientas de los brokers cubre lo que cada uno pone en pantalla, así que no se repite aquí. La interfaz de Orbit tiene una pantalla «Account Statement» y una pantalla «Betting Profit & Loss».
Hay una condición que debe ir junto a cualquier conversación sobre datos. Las condiciones de MadMarket y de BetInAsia prohíben cada una al usuario emplear «any robot, spider or other automated mechanism» para obtener o indexar información del servicio.
Qué variables, y por qué
Pocas, explicadas, y vigiladas por si se desvían.
El artículo de Pinnacle expone un ciclo. Léelo como un ciclo y no como una receta estricta. Los pasos:
- Fija un objetivo, porque «Without an aim you could be overwhelmed with numbers».
- Reúne los datos, tú mismo o a partir de otros datos publicados en internet.
- Elige una forma para el modelo. El consejo del artículo: «Our recommendation is not to overcomplicate.»
- Enumera sus supuestos y sus límites; por ejemplo, «averages and standard deviations assume events are normally distributed», algo que hay que comprobar.
- Prueba lo sensible que es a los resultados, y mantenlo al día con el tiempo, porque «it needs to be maintained as time progresses».
Qué variables entran es decisión tuya. El artículo de AsianConnect sobre análisis con IA enumera los datos que una herramienta así puede procesar: resultados pasados, estadísticas de jugadores, tendencias de equipos, historiales como local y como visitante, lesiones, posesión, conversión de tiros y movimientos del mercado. Otro artículo de AsianConnect dice «Possession measures only one thing», así que un número de la lista puede medir menos de lo que sugiere su nombre.
MadMarket ofrece una calculadora de Poisson como ejemplo de un modelo alimentado a mano. Introduces valores esperados, como los goles en fútbol, y devuelve los diez marcadores más probables ordenados de mayor a menor probabilidad. Muestra lo poco que necesita un modelo sencillo y cuánto depende de los números que escribes.
Los datos también caducan. AsianConnect escribe sobre los esports que una actualización del juego deja los resultados anteriores «less predictive», y que los datos históricos deben combinarse con el rendimiento reciente en la versión actual. Otro artículo de AsianConnect dice que unos pocos partidos al inicio de una temporada son una muestra pequeña. Yo preferiría dos variables que sé explicar a doce que no, porque esas doce son doce sitios más donde el historial puede halagar a la regla, y un modelo cuyo resultado no puedes rastrear hasta sus datos de entrada es un modelo que no puedes arreglar cuando deja de funcionar.
La trampa de la mejor de muchas
Por qué el ganador de un concurso de reglas suele ser suerte.
Prueba suficientes reglas y una de ellas parecerá brillante. Cuál de ellas es la pregunta que el historial no puede responder.
Algunas definiciones sencillas, con las palabras de la web. Probar «con el historial» es aplicar una regla a apuestas ya jugadas. Fuera de la muestra es aplicarla a apuestas que nunca ha visto. El sobreajuste (overfitting) es elegir una regla porque le fue bien con el historial. El riesgo es el número de reglas que probaste, así que cuéntalas, y deja las perdedoras en el registro.
Hipotético. Cada regla se prueba con sus propias 200 apuestas independientes a cuotas de 2,00 (un 50 % de probabilidad de ganar), importes fijos, sin ventaja. La barra es el valor esperado exacto del mejor resultado entre N reglas.
Mostrar la tabla de datos
| Reglas probadas | Mejor retorno medio por apuesta |
|---|---|
| 1 regla | 0,00 % |
| 10 reglas | +10,87 % |
| 50 reglas | +15,87 % |
| 250 reglas | +19,87 % |
Diez reglas, ninguna con ventaja
Supón que pruebas diez reglas, cada una con sus propias 200 apuestas independientes a cuotas de 2,00, y ninguna tiene ventaja. La mejor de ellas obtiene aun así +10,87 % de media por apuesta en este cálculo. Elígela y apuéstala en las siguientes 200, y no tiene motivo para repetirse.
Los recursos de Pinnacle describen la misma suerte desde otros ángulos. Un colaborador de los recursos de Pinnacle escribe que un historial de apuestas con valor esperado positivo acabó igualmente en pérdida en una parte de las simulaciones, y que el rango de retornos posibles se estrecha a medida que el historial crece. Un artículo dice que incluso a lo largo de una temporada entera «randomness does still influence a side's final points total», y otro describe «periods of over and under performance lasting thousands of bets». Un invitado de un podcast de Pinnacle dice que, cuando un modelo se juzga por métricas de error, quieres «a large number out of sample trials» para asegurarte de que lo que ves es «statistically significant». Cuántas apuestas son eso para tu regla es otra pregunta, y la hoja de ruta del punto de equilibrio la abre sin dar un umbral.
Encajar con el pasado no es un plan
Una regla que encaja con el pasado no es un plan para la siguiente apuesta, y la mayoría de los apostantes acaban perdiendo. Esto explica cómo probar una regla. No te dice qué regla apostar.
Qué te deja probar tu propio registro de apuestas
Tu propio registro es un conjunto de prueba, y lo construyes sin tocar los datos de un broker. Un artículo de Pinnacle sugiere que «Document our bets and look for any strange patterns on the spreadsheet». Orbit Exchange tiene una pantalla «Account Statement». El registro de lo que pensabas hacer es un registro aparte, y es tuyo. Comparar la cuota que tomaste con el cierre es tarea de la página de la cuota de cierre, que esta página deja en paz. Qué columnas necesita el registro y cada cuánto leerlo está en la página de la rutina de trabajo, y la página sobre estimar una cuota justa trata de dónde sale la probabilidad que hay detrás de una regla.
Un artículo de Pinnacle mide a un apostante por lo cerca que el valor esperado previsto sigue al retorno real «over a sufficient sample size». El registro es donde los dos quedan lado a lado, así que escribe una regla antes de las apuestas que cubre, y cuando cambies una regla, empieza un recuento nuevo, no una continuación del anterior.
Respuestas breves
¿Qué es el backtesting en las apuestas deportivas?
Hacer un backtesting es repetir una regla que escribiste de antemano sobre cuotas y resultados pasados, para ver qué habría hecho. El punto débil es la cuota. La prueba necesita las cuotas que había cuando habrías apostado, no las del cierre. Un artículo de Pinnacle plantea así el problema de las cuotas de cierre: «it's a retrospective exercise; we can't know the closing odds for a match until it kicks off». Escribe primero la regla, pruébala una sola vez con apuestas de las que no salió, y guarda el registro de cada regla que probaste.
¿Qué es el sobreajuste en un modelo de apuestas?
El sobreajuste (overfitting) es elegir una regla porque le fue bien con el historial que tenías delante. La regla arrastra entonces la suerte de ese historial además de lo que haya de real en él. El gráfico de la sección sobre la trampa muestra el caso más limpio: reglas sin ninguna ventaja, y aun así la mejor de muchas obtiene de media un retorno positivo sobre el historial del que se eligió. Fuera de la muestra, no tiene motivo para repetirse.
¿Cuántas apuestas hacen falta para probar una estrategia?
Un artículo de Pinnacle pregunta si una temporada es una muestra suficientemente grande, y otro describe tramos de rendimiento por encima y por debajo de lo esperado que duran miles de apuestas. Un invitado de un podcast de Pinnacle, hablando de modelos juzgados por métricas de error, dice que quieres «a large number out of sample trials». La página de la cuota de cierre recoge el mínimo que sugiere AsianConnect para seguir el valor de la cuota de cierre, y la hoja de ruta muestra cuánto tarda en verse incluso una ventaja real. Esta página no fija ningún umbral.
Adónde ir después
Para las matemáticas que hay debajo de todo esto, la muestra y la varianza, vuelve a la hoja de ruta. La página de calculadoras enumera lo que ofrecen la web y los brokers, y el conversor de cuotas convierte cualquier cuota en una probabilidad. Una regla necesita un lugar donde apostarse, y la profundidad de mercado dice cuánto vale una cuota con un importe grande. Para abrir la puerta en sí, el camino hacia Orbit Exchange explica qué brokers lo hacen, y la comparación de brokers los pone lado a lado.