足彩入門教程之凱利方差:簡單計算 理性直觀

2020-12-13 新浪愛彩

凱利值作為表示莊家對可能性概率把握能力的呈現方法,相當程度上從反向呈現出莊家對賽事概率的觀點。而不同的莊家對不同的賽事有自己不同的認知和資訊掌握程度,當對不同的莊家觀點同步集中進行採樣觀測分析的時候,我們就可以發現莊家這一特殊的群體內部的群體傾向。

為此我們會採用傳統數學意義上的平方差分析方法來顯示出某種賠率的離散程度,讓彩民更直觀的看出莊家的傾向,我們採用了賠率體系成熟且成交量佔據博彩市場實際成交總量前列位置的博彩公司的賠率作為取樣目標以確保樣本的代表性。

通過這樣的資料分析方法得出的指數就是凱利方差指數。因此,凱利方差指數所代表的真正含義是∶「當數值越趨向零的時候,群體(莊家)在該項目上觀點越趨向一致。

計算凱利方差首先就得先知道凱利值,某一家賠率公司的凱利值就是由以下公式算出的,所以凱利方差的算法就和數學上的方差算法完全一致,就是用多家公司的數據求出一個平均值之後相減再平方,得到的數值就是一家公司在一個結果上的凱利方差,相關公式如下:

某公司某結果(主隊勝or平or負)的凱利值=該結果賠率*該結果的投注比例

某公司某結果的凱利方差=(該公司該結果凱利值-各公司該結果凱利值的平均值)^2

於是凱利方差的離散值就由下面的公式得出:

某結果凱利方差的離散值=各公司該結果的凱利方差的平均值

離散值表明了多家公司的整體意見差異。通常情況下,某項的離散值越小,就表明博彩公司對打出某結果的意見較為一致;離散值越高,說明博彩公司持的意見不統一。

有關凱利指數的計算的更為詳細的方法如下:

首先我們仍需要把期望回報率公式(凱利值公式)完整列出如下:

1) 參數A:平均概率(AP,主勝平負平均概率分別表示為APH,APD,APA),是各家公司歐賠體系賠率所精確對應出的各公司判斷的勝平負概率的平均值。

2) 參數B:賠率(主勝平負分別表示為 OH,OD,OA)

3)參數C:期望回報率(凱利值)(EH,主勝平負凱利值分別表示為EH,ED,EA)

EH=OH * APH

ED=OD* APD

EA=OA* APA

4)參數D:可能性(主勝平負概率分別表示為PH,PD,PA)

PH= 1.0/OH * R

PD= 1.0/OD * R

PA= 1.0/OA * R

5)參數E:返還率R

R= 1.0/(1.0/OH+1.0/OD/+1.0/OA)

下面我們就用網際網路上提供的一則數據做一次計算:

2014年11月22日凌晨莫斯科斯巴達迎戰巴薩的比賽:選出的三家公司的賠率如下:

公司 主勝 平局 客勝 主勝概率 平局概率 客勝概率 主勝凱利 平局 客勝 返還率

威廉希爾 7.00 4.40 1.33 12.73% 20.26% 67.01% 0.89 0.82 0.90 0.90

立博 9.00 5.00 1.33 10.45% 18.81% 70.73% 0.94 0.98 0.96 0.93

bwin 8.00 5.00 1.34 11.67% 18.67% 69.66% 0.93 0.87 0.96 0.94

(註:賠率現實的凱利指數與下文的凱利值不同,請仔細區分)

平均賠率為:

AOH=8.0

AOD=4.80

AOA=1.33

則平均概率可得:

APH=34.85%/3=11.61%

APD=57.74%/3=19.24%

APA=207.4%/3=69.13%

然後根據EH=OH*APH就可得出三家公司的凱利值:

首先是威廉希爾:

EH1=7.0*11.61%=0.813

ED1=4.40*19.24%=0.847

EA1=1.33*69.13%=0.919

同理可得立博和bwin的數據如下:

EH2=1.045 ED2=0.962 EA2=0.919

EH3=0.929 ED3=0.962 EA3=0.926

則這三家公司的三個結果的平均凱利值為:

AEH=(0.813+1.045+0.929)/3=0.929

AED=(0.847+0.962+0.962)/3=0.924

AEA=(0.919+0.919+0.926)/3=0.921

由此可以得出三家公司在這三個結果的凱利方差:

威廉希爾:

DH1=(0.813-0.929)^2=0.013456

DD1=(0.847-0.924)^2=0.005929

DA1=(0.919-0.921)^2=0.000004

立博:

DH2=(1.045-0.928)^2=0.013689

DD2=(0.962-0.924)^2=0.001444

DA2=0.000004

Bwin:

DH3=0

DD3=0.001444

DA3=(0.926-0.921)^2=0.000025

三家公司各個結果的凱利方差求出後,就可以求得各個凱利方差的離散值:

某結果凱利方差的離散值=各公司該結果的凱利方差的平均值

即:ADH=(0.013456+0.013689+0)/3≈0.00904

ADD=(0.005929+0.001444+0.001444)/3≈0.00294

ADA=(0.000004+0.000025+0.000025)/3≈0.00002

由此可得出本場博彩公司對於客勝的觀點非常一致。投注可考慮選0。其實還有一個更為簡單的方法,就是直接參考返還率,用平均凱利值對比其平均的返還率,本場比賽平均返還率可直接算出為0.9257,莊家出於商業思維自然希望凱利值低於賠付率,所以打出客勝對於莊家是有利的,故客勝是大家期望的結果。

再舉一例,歐冠曼城vs皇馬的比賽,同樣選了三家公司,它們開出的賠率如下:

公司 主勝 平局 客勝 主勝概率 平局概率 客勝概率 主勝凱利 平局 客勝 返還率

威廉希爾 3.00 3.50 2.00 29.79% 25.53% 44.68% 0.89 0.93 0.93 0.85

立博 3.00 3.50 2.25 31.34% 26.87% 41.79% 0.94 0.93 0.93 0.96

bwin 3.10 3.70 2.10 30.17% 25.28% 44.54% 0.94 0.96 0.98 0.89

先算出平均概率:

APH=30.43%;APD=25.89%;APA=43.67%

則三家公司的凱利值可得:

EH1=0.9129 ED1=0.9062 EA1=0.8734

EH2=0.9129 ED2=0.9062 EA2=0.9402

EH3=0.9433 ED3=0.9579 EA3=0.9171

所以可得三家公司三個結果的平均凱利值為:

AEH=0.9230 AED=0.9234 AEA=0.9102

由此可得凱利方差:

DH1=0.0001 DH2=0.0001 DH3=0.0004

DD1=0.0003 DD2=0.0003 DD3=0.0012

DA1=0.0013 DA2=0.0009 DA3=0.00004761

所以三家公司各個結果的凱利方差離散度為:

ADH=0.0002 ADD=0.0006 ADA=0.0007

所以從結果來看三家公司對於曼城主勝和平局的意見是比較一致的,對於皇馬客勝雖然賠率較低,但意見不一,有所猶豫。故本場參考選擇3。同樣比較平均返還率為0.90,凱利值低於這個結果的只有主勝,故主勝可期。

另外,當數據較多時,應用易球網凱利方差指數的時候,除了關注離散集中而導致的方差值最小的情況之外,我們還需要關注離散值較高的情況下,是「正向離散」、「反向離散」還是「凌亂離散」。一般情況下,「反向離散」狀態下需要特別注意分析冷門機會,而「凌亂離散」和「正向離散」通常都是對冷門方向的否定,其中「正向離散」否定得相當堅決,甚至弱隊一方有較早被開記錄的機會。

以上結果由於只是簡單計算,真正的計算是要根據大量的數據計算得出,選擇的對象數目要足夠才能更直觀的現實值的變化,筆者在此只是進行一個思路的引導,真正細緻的計算還得靠讀者您自己去親身實踐,本過程亦僅供參考,如有錯漏之處還望得到批評指正。

編輯:柯南看球

相關焦點

  • 凱利的面貌
    凱利的面貌 凱利是何物? 凱利是莊家對賽事概率的觀點的數據化判斷。 不同的莊家對不同的賽事有自己不同的認知和資訊掌握程度,所以通過凱利我們就可以發現莊家這一特殊的群體內部的群體傾向。凱利的差值 凱利對一場比賽的觀點體現在,當數值約趨近於0,群體(莊家)在該項目上觀點越趨向一致 凱利的使命 凱利方差怎麼算
  • SPSS實操教程——單因素方差分析
    這個時候需要使用方差分析。那怎麼做呢?做分析之前需要思考幾個問題?是不是單因素?是不是獨立?各組應變量是不是符合正態分布?各組應變量是不是方差齊性?好,他這個研究是單因素的,只是分析了藥物一個因素,包括三種不同的藥物,分為三組。而且各組之間也是相互獨立的。
  • 協方差矩陣是什麼_協方差矩陣計算公式_如何計算協方差矩陣
    打開APP 協方差矩陣是什麼_協方差矩陣計算公式_如何計算協方差矩陣 發表於 2017-12-05 15:58:43   協方差矩陣計算公式   在統計學與概率論中,協方差矩陣是一個矩陣,其每個元素是各個向量元素之間的協方差。這是從標量隨機變量到高維度隨機向量的自然推廣。
  • 方差的計算公式 方差和標準差公式等
    方差的計算公式,方差和標準差公式,方差,平方差,標準差的公式如下若x1,x2,x3.xn的平均數為M,則方差公式可表示為:
  • 如何快速學會Python爬蟲(入門篇)
    Python爬蟲入門二之爬蟲基礎了解3. Python爬蟲入門三之Urllib庫的基本使用4. Python爬蟲入門四之Urllib庫的高級用法5. Python爬蟲入門五之URLError異常處理6.
  • 方差的計算公式 平方差及方差和標準差公式
    方差的計算公式   方差和標準差公式 方差,平方差,標準差的公式如下若x1,x2,x3.xn的平均數為M,則方差公式可表示為:
  • 對方差分析(ANOVA)的直觀解釋及計算
    寫這篇文章就是希望能給ANOVA一個通俗的解釋,讓即便是非數學,非統計出身的同學們也能直觀的理解他。 本文將主要講單因素方差分析(one-way ANOVA),以後再慢慢講多因素和其他。 首先來說說我們為什麼要用ANOVA。在做一些實驗時,我們通常會把樣本分成不同的組,給予不同的對待。例如,我們想研究某種藥物在不同劑量下對人們的作用。
  • 凱利指數分析:基本面和估算投注方向分析方法
    騰訊彩票給大家帶來足彩入門系列連載。上期是「動態預測方法(1):凱利指數分析(上)」,今天是「動態預測方法(1):凱利指數分析(下)」。要知道賠率本身也是帶有極大欺騙性的,它本來就是為了滿足於博彩公司的盈利和風險控制需求的一種市場表現,如果完全以它為依據來計算凱利值,首先容易被莊家思維所左右,再則也游離於真實的玩家投注動向。而很多計算結果也與莊家所給出的指數十分接近,讓人很難做出判斷比較。
  • 乾貨 :教你用Python來計算偏差-方差權衡
    當然它在一般情況下是無法直接計算的,因為這需要這一問題領域內的全部知識,而我們並不具備。儘管如此,我們可以評估出一個模型的誤差,並將其拆分成偏差和方差兩部分,從而藉此了解該模型的運行方式。在這篇教程中,你將了解如何計算一個機器學習模型的偏差和方差。
  • 足彩入門教程之亞盤大詳解:手把手教你看亞盤
    5、如何計算盤口輸贏所謂盤口輸贏計算,就是讓球規則。最後的變動往往最能體現莊家的真實意圖,一些博彩公司在此時會和投注者大打「心理戰」,此時的盤口和水位變幻莫測、難以琢磨,尤其以澳門盤為代表,其操盤手法之詭異,與那些歐洲公司相比有過之而無不及。
  • 使用python計算相關係數與協方差
    前言相關係數與協方差都是表示兩個變量之間的關係。相關係數是研究變量之間的線性相關程度的量。而相關係數又被細分為簡單相關係數、復相關係數、典型相關係數。協方差用于衡量兩個變量的總體誤差。有些匯總統計(如相關係數和協方差)是通過參數對計算出來的。小編接下來帶領大家一起來體驗python 中是如何實現的。corr方法-相關係數Series的corr方法用於計算兩個Series中重疊的、非NA的、按索引對其的值的相關係數。
  • 直觀、形象、動態,一文了解無處不在的標準差
    >、杜偉本文將對標準差這一概念提供直觀的視覺解釋。統計學中最核心的概念之一是:標準差及其與其他統計量(如方差和均值)之間的關係。入門課程中老師常告訴學生「記住公式就行」,但這並非解釋概念的最佳方式。本文將對標準差這一概念提供直觀的視覺解釋。
  • SPSS超詳細教程:雙因素方差分析(Two-way ANOVA)
    在非平衡設計中,我們還需要選擇計算加權邊際均值(weighted marginal means)還是非加權邊際均值(unweighted marginal means)。二者的區別在於加權邊際均值考慮了每組樣本量的不同,但是既往研究普遍推薦使用非加權邊際均值,本研究亦是如此。  那麼針對不同的雙因素方差模型,我們應該如何解釋主效應結果呢?
  • SPSS: 方差成分分析/方差分量分析
    本文摘自《SPSS for Windows統計分析教程(第2版)》(電子工業出版社2005年出版
  • 凱利公式
    網絡上關於凱利公式的文章,通常也有些傳奇意味,甚至有些標題黨,例如將其稱為「倉位管理神器」,更誇張一些的甚至說「巴菲特憑藉正是凱利公式成為了世界首富」。到底是不是如此神奇?難道真的可以以此橫掃拉斯維加斯和華爾街?顯然一個簡單的邏輯可以給出答案是——「不可能」。倘若當真如此的話,數學老師們應該通通轉行當金融大亨了,學校裡的數學真的只能靠體育老師來教了,再則拉斯維加斯也應該早就倒閉了。
  • Matlab入門教程 | 006編程示例:計算e的近似值
    很多入門書偏重於理論介紹,讀起來好比陷入了概念術語的汪洋大海,看不到岸,令人灰心,只好望洋興嘆!可是,如果我們掌握了科學的學習方法,一點都不難!科學的學習方法就是從實例入手,通過對一個一個實例,跑代碼,舉一反三進行實操,循序漸進掌握基本命令用法和編程思想。
  • 【通俗理解】協方差
    最基本的就是均值/期望和方差了,還有各種高階矩陣。描述兩個隨機變量的關係,我們有聯合概率密度。同樣地,我們可以用簡單的一個數字來刻畫這兩個隨機變量的一些關係。最常用的是協方差和相關係數。看公式知道,相關係數就是歸一化的協方差。
  • 【技術貼】淺談協方差矩陣
    標準差: 為什麼需要協方差? 上面幾個統計量看似已經描述的差不多了,但我們應該注意到,標準差和方差一般是用來描述一維數據的,但現實生活我們常常遇到含有多維數據的數據集,最簡單的大家上學時免不了要統計多個學科的考試成績。
  • revit軟體+30套入門教程+視頻講義
    今天給大家整理了2020 revit軟體+30套revit 入門教程+ revit 實戰 視頻講義,幫助大家更好地學習和掌握 revit知識與操作。快來收下吧。Dynamo可視化編程教程Revit平面出圖之樓梯詳教程[BIM入門級教程]‐‐‐‐‐Revit 篇Revit教程–小別墅案例(完整版)等等
  • 使用R計算方差與標準差
    概述描述樣本值的離散程度,最常用的指標是方差和標準差,它們與前面所說的全距(極差)只使用了兩個極值情況不同,它們利用了樣本的全部信息去描述數據取值的分散性。計算方差的公式方差是各樣本相對均值的偏差平方和的平均。