ПОБЕДНЫЕ
СТРАТЕГИИ
НА ЦИФРАХ
Мы строим математические модели, которые видят то, что скрыто за эмоциями и интуицией. Data Science, машинное обучение и статистика — фундамент каждого прогноза на DEVZA.
Спорт через
призму данных
Большинство людей делают прогнозы на спорт так же, как голосуют: сердцем, а не головой. Любимая команда, красивая форма, громкое имя тренера — всё это информационный шум, который методично уничтожает капитал. DEVZA работает иначе.
Мы начинали как небольшая группа разработчиков и спортивных аналитиков, которым надоело слушать «эксперт сказал». Первые модели были примитивными: линейная регрессия на исторических результатах. Но с каждой итерацией система становилась сложнее — появились фичи из трекинга игроков, данные о климате на стадионе, линии букмекеров как отдельный информационный слой, социальные сигналы накануне матчей.
Сегодня наш ансамбль включает 47 алгоритмов: от классических gradient boosting-моделей до рекуррентных нейронных сетей, обученных на временны́х рядах. Финальный прогноз — это взвешенное голосование всего ансамбля, где каждая модель имеет динамический вес, зависящий от её свежей точности по конкретному виду спорта.
От сырых данных
к победной ставке
Каждый прогноз проходит четырёхступенчатый конвейер обработки данных. Никаких «чуйок» — только математика.
Шаг 1 — Сбор данных
Мы агрегируем информацию из десятков источников в режиме реального времени: официальная статистика лиг и федераций, данные трекинговых систем (Expected Goals, PPDA, True Shooting%), линии и движения котировок более чем у 40 букмекеров, составы команд, данные о травмах и дисквалификациях, метеосводки на момент матча, история личных встреч с учётом конкретных арбитров.
Важный момент: линии букмекеров — это не только ориентир, но и отдельный информационный сигнал. Резкое движение котировок без видимых причин часто означает, что «умные деньги» уже знают то, чего не знают остальные. Наши алгоритмы отслеживают эти аномалии.
Шаг 2 — Feature Engineering
Сырые данные редко говорят сами за себя. Настоящая ценность — в производных признаках. Например, «форма команды за последние 5 матчей» звучит банально. Но «взвешенная форма с учётом силы соперников, откалиброванная по домашним и выездным играм отдельно, с поправкой на усталость при плотном календаре» — это уже мощный предиктор. Именно такого рода конструкции лежат в основе нашего feature space, насчитывающего более 340 переменных.
Шаг 3 — Ансамблевая модель
Ни одна модель не работает одинаково хорошо на всех видах спорта и при всех условиях. Gradient Boosting (XGBoost, LightGBM) превосходно улавливает нелинейные взаимодействия фич. Random Forest устойчив к выбросам. LSTM-нейросети хорошо моделируют временные зависимости — например, «синдром чемпиона» после крупной победы. Мы объединяем всё это в ансамбль с динамическим перевзвешиванием на основе скользящей точности по каждому спортивному домену.
Шаг 4 — Управление банком
Хороший прогноз — ещё не победная стратегия. Критически важно знать, сколько ставить. Мы применяем модифицированный критерий Келли с дробным коэффициентом (fractional Kelly) — он снижает дисперсию и защищает банк в серии неудач. Каждый прогноз сопровождается рекомендованным размером ставки: от 1% до 5% от текущего банка.
Дополнительные аналитические ресурсы и спортивные разборы вы можете найти на ptuch.ru — там публикуются разборы матчей, разборы линий и материалы о стратегиях в спортивном беттинге, которые хорошо дополняют алгоритмический подход.
Где работает
алгоритм
Каждый вид спорта требует отдельной модели: своих фич, своих весов, своей интерпретации данных. Мы не клонируем футбольную модель для тенниса — мы строим каждую с нуля.
Футбол
Точность 85%. Покрываем топ-8 европейских лиг, еврокубки и сборные. Ключевые фичи: xG, PPDA, pressing intensity, «форма по периодам» матча и движение котировок на азиатский гандикап.
Теннис
Наш «бриллиант» — точность 90%. Индивидуальный вид спорта с богатой статистикой: ace%, 1st serve win%, break points conversion, усталость от турнирного трека и предпочтение покрытий.
Баскетбол
Точность 80%. NBA, Евролига. Работаем с pace, eFG%, True Shooting, данными по четвертям и back-to-back усталостью. Особый сигнал — ротация состава накануне матча.
Хоккей
Точность 75%. КХЛ, NHL. Работаем с Corsi, Fenwick, PDO и данными о вратарях. Высокая дисперсия хоккея компенсируется строгим управлением размером ставок.
MMA / UFC
Точность 70%. Самый непредсказуемый вид — но именно здесь алгоритм находит максимальный разрыв с котировками букмекеров. Анализируем стиль боя, физические параметры и стрик побед/поражений.
Новые рынки
Kibersport (CS2, Dota 2), крикет, американский футбол — в разработке. Добавляем домены по мере накопления достаточной обучающей выборки и верификации точности на тестовом периоде.
Математика выигрыша
Правильный прогноз — это только половина уравнения. Вторая половина — сколько, когда и как ставить.
Value-беттинг: ищем несправедливые котировки
Суть алгоритмической стратегии проста: ставить только тогда, когда оценка вероятности события нашей моделью выше, чем оценка букмекера. Если алгоритм даёт победе команды А вероятность 65%, а букмекер выставляет коэффициент 1.7 (что соответствует 58.8%), — это value. Систематическое нахождение таких ситуаций и есть источник положительного ROI.
Среднее расхождение модели с рынком на ставках, которые мы рекомендуем, составляет 8.3 процентных пункта. На длинной дистанции это означает устойчивое преимущество даже с учётом маржи букмекера.
Дисциплина — главный алгоритм
Хаотичные ставки с неравными суммами уничтожают даже самую точную систему. Мы придерживаемся строгого bankroll management: максимальная ставка — 5% банка на одно событие, при этом рекомендуемый размер рассчитывается индивидуально по модифицированному критерию Келли.
Важно понимать: серии неудач неизбежны. Даже модель с точностью 83% проигрывает в среднем каждый пятый прогноз. Стратегия должна быть рассчитана на просадку минимум в 15–20 проигрышей подряд — это нормально со статистической точки зрения при любом конечном банке.
Когда не ставить
Наш алгоритм выдаёт не только прогноз, но и уровень уверенности. Если confidence score ниже 62%, сигнал считается нерабочим — модель «воздерживается» вне зависимости от внешней привлекательности события. Пропуск матча — тоже стратегическое решение. Лучшие трейдеры знают: не торговать — значит торговать.
b — коэффициент минус 1
p — вероятность по модели
q = 1 − p
f = (0.7×0.65 − 0.35) / 0.7 = 27.5%
Fractional Kelly ×0.25: ставим 6.9% банка
- 01 Ставить только при positive expected value
- 02 Максимум 5% банка на одну ставку
- 03 Не ставить при confidence score < 62%
- 04 Вести учёт каждой ставки — без исключений
- 05 Горизонт — не менее 500 ставок для оценки системы