36 ответов в эту тему

[Alliance87]

Здравствуйте!

Нашел несколько лет назад применение формулы Байеса, как основой теоремы в теории вероятности, приведу сам алгоритм:

Много так называемых игроков в букмекерских конторах, делая ставочку на то или иное событие, использует свои ощущения, способ мышления, новости. Но почти никто не задумывается над тем, можно ли, более или менее точно, математическим способом сделать прогноз на данное событие (при наличии достаточного количества статистической информации). А обнаруживается можно! Вообразите себе, с точностью прогноза до 65%-70%, можно предусмотреть тот или иной результат матча (убедился на своем опыте).

Сначала приведем ряд толкований и формул, которые всем известны из курса Теории вероятности (кто из Нафты – привет Краснодембському). От всеми любимого преподавателя, я узнал (на лекции) о формуле Бейеса.

На первый взгляд много непонятного. Поэтому объясним на *живом* примере. Для этого возьмем любой матч из любого европейского чемпионата из футбола. Например, матч Ньюкасла против Лестера у Премьер Лиге. (Во время написания этого очерка(25.09.2001) результат мне не был известен!!!!!!). Для этого введем ряд понятий и обозначений:

А – состоялся матч (событие);
Н1 – гипотеза, что победит домашняя (первая - 1) команда;
Н2 – гипотеза, что победит гостевая (вторая - 2) команда;
Н3 – гипотеза, что будет ничья между данными командами;

Р(Н1)=Р(Н2)=Р(Н3)=1/3, то есть это одинаковая вероятность событий (победа 1, победа 2, ничья);
РН1(А) – так называемая статистическая вероятность, то есть это отношения количества выигранных дома матчей первой команды к общему количеству матчей;
РН2(А) - отношение количества выигранных на выезде матчей второй команды к общему количеству матчей;
РН3(А) – суммарная статистическая вероятность,
то есть (ничьи 1 + ничьи 2) / общее количество матчей одной из команд.
Р(А) – полная вероятность наступления события (см. выше в формуле - множитель);

Наша цель – определить или оценить (для игроков спрогнозировать), например, победу первой команды (Ньюкасл) или найти Ра(Н1). Для этого, воспользовавшись статистической информацией (в данном примере - за предшествующий сезон; желательно - наибольшее число сезонов), найдем РН1(А), РН2(А), РН3(А):

РН1(А) =11 побед (дома) / 21 (общее количество матчей, проведенных дома);
РН2(А) =5 побед (на выезде) / 21 (общее количество матчей, проведенных на выезде);
РН3(А) =5 ничей (Ньюкасл) + 2 ничьи (Лестер) / 21.

Соответственно:
РН1(А) =0,52381;
РН2(А) =0,238095;
РН3(А) =0,(3).

Расчеты целесообразно делать в ЕхсеL'е.

Потом найдем Р(А):
Р(А) =Р(Н1)*РН1(А)+ Р(Н2)*РН2(А)+ Р(Н3)*РН3(А)
Р(А) =0,365079

Теперь можем найти Ра(Н1):
Ра(Н1) =Р(Н1)*РН1(А) / Р(А)
Ра(Н1) =0,478261 ( или приблизительно 48%)

Аналогично найдем Ра(Н2) и Ра(Н3): Ра(Н2) =22% и Ра(Н3)=30%

Итак, 48% того, что Ньюкасл победит Лестер
22% - Лестер победит Ньюкасл
30% - будет ничья

Следует сказать, что точность такого прогнозирования составляет приблизительно 65%-70%. То есть, шансы оцениваются как 7 до 10, что есть довольно неплохо для того, кто лишь начинает *погружаться* в эту яму( то есть ставки в конторе). Стопроцентного прогноза данный способ не может дать (как и любой другой), но, сопоставив свой собственный опыт, здравый смысл и данный метод, можно получить незаурядные результаты в игре.

Хочу спросить у Вас, как данную модель можно сделать еще более стабильней, она как минимум позволяет не терять на дистанции, быть в 0 (проверено), денег не потеряете на дистанции, как научиться с её помощью зарабатывать, давайте это и обсудим.

Отредактировано Alliance87, 22 September 2015 - 17:17.

[Imago]

Я думаю, конторы при составлении линий делают более точные прогнозы и учитывают гораздо больше факторов)

Отредактировано Imago, 22 September 2015 - 17:20.

[Alliance87]

А толку нам от этого? нам нужны кефы, желательно не ниже 1.8 и проходимость высокую, буки вообще ничего не учитывают практически они и так всегда в +, им маржу важно заложить, а дальше пофиг.

[Fischer83]

ЛОЛШТО? Зачем вы скопипастили со "ставочки" голые обозначения, а формулу так и не привели, вот она если что:

Attached File(s)

•  formula.jpg   8.01K   21 Количество загрузок

Отредактировано Remis, 22 September 2015 - 19:41.

[Alliance87]

Картинка не вставлялась, и не со ставочки я копировал, у меня эта стратегия еще до существования ставочки была, они сами копируют где им хочется. Вы то сами её вставьте, если получится )

[Fischer83]

В принципе не важно откуда копипаст, главное как это нелепо выглядит со стороны, значения расписаны а формулы нет...

[sakheli]

плюса достигнешь быстрее если перестанешь тратить полезное время на не имеюшие к делу отношение формулы

[Fischer83]

Вы о формуле Байеса или вообще о математическом подходе к торговле на БФ?

[sakheli]

я о правильном использовании и применеении

[Alliance87]

Ну так подскажите, правильное использование и применение.

[sakheli]

чесслово лень. писать о написаном

[Bambuk]

Большей безграмотности я не видел по поводу применения Байеса....
Формула Байеса вообще о другом---например Вы не стали учитывать ДОМ/ГОСТЬ при построении модели. Тогда вы получите оценки какие-то по вероятности. Можно тогда переоценить
события используя статистику в полосе нашей модели---возьмём допустим Р=0.5--0.58 туда в эту полосу попадут события и где Д и где Г тогда вот давайте выделим Д например и посчитаем там число вин а число Д нам тоже известно получили допустим новую оценку 0,6 вместо средней 0.54 для этой полосы. (допустим для Г получили 0.48 )
так вот 0.6 это средняя вероятность выигрыша при условии что команда дома Р(вин/дома и мы в полосе 0.5--0.58). а Р=0.54 это средняя вероятность выигрыша если по начальной модели мы в полосе 0.5--0.58 (вот полосу можно тупо заменить точечной оценкой 0.54)....
Байесом ищется так же вот что---предположим команда с Робщее=0.54 выиграла тогда возникает вопрос---какова вероятность что это была домашняя команда?

То что в формулах полная ахинея можно понять если прописать их в общем виде в числитель и знаменатель без предварительных вычислений---тогда вероятности гипотез просто сокращаются (так как они все =1/3) и получается --бред сумасшедшего...... это во-первых...во-вторых какого болта надо брать гипотезы 1/3 когда есть линия БК и любой попан возьмёт за вероятности гипотез именно эти оценки а не 1/3.......

[sakheli]

с формулами тема шире))

[Alliance87]

Если Вы говорите, что в формулах полная ахинея, тогда почему на дистанции не получается слить депозит? Я проверял его на участке 11 лет, не сольёте, как не будете стараться. А как на счет улучшения, что можете предложить?

[sakheli]

не ухучшать

[betpractice]

Alliance87, on 22 September 2015 - 17:29, сказал:

Вы то сами её вставьте, если получится )

Воспользуйтесь кнопкой "Открыть полный редактор". Тут про это уже 100500 раз писалось. Это вам не формулы Байеса.

[Bambuk]

Alliance87, on 22 September 2015 - 17:52, сказал:

Ну так подскажите, правильное использование и применение.

Забудьте про тот бред что Вы вычитали и старайтесь основывать идеи на строгой математике а не на фантазиях обкуренных преподавателей и учеников.....
Могу сказать одно---хорошей модели на основании данных сезона Вы не построите и даже скорее всего это будет затруднительно если взять 3-5 сезонов одной лиги (данных очень мало).
На основании своего огромного опыта моделирования могу сказать--наиболее приемлемым видится использование принципа чем-то схожего с ФАПЧ (или АПЧ...) ---это термины радиотехники (фазовая автоподстройка частоты)----смысл этого примерно такой----когда вы настраиваете приёмник на частоту несущей передатчика то по мере приближения, когда начинается захват частоты несущей петлёй фапч начинается слежение за частотой несущей. Так вот по аналогии можно интерпритировать это дело и перенести на беттинг---тогда смысл примерно такой (буду объяснять на простейшей модели дабы не лезть дебри с точностью первичных оценок)--такая первичная модель может быть позаимствована например с Пинакла (там используют Пуассон для дальнейшего но можно и применить бином. расп) основная задача--получить оценки МО1 и МО2 вот там как раз описано как это сделать.
Эти оценки можно считать условно той частотой на которую мы настроились (условно конечно)...возникает вопрос--а как отслеживать далее?
Всё проще пареной репы---берутся данные лиг в которых предполагается игра и берутся около 5 сезонов..далее данные кластеризуют ( по этим первичным МО1=G1 МО2=G2)
а далее строится модель для каждого кластера--она может быть линейной или нет(можно простенькую нейросетевую модель сделать) итд...... цель модели--переопределить величины первичных МО на основании дополнительных параметров (один из параметров номер кластера) тогда допустим у Вас 36 кластеров то получим 72 модели (так как модель1 для МО1 и вторая для МО2)

Вот так может быть регрессионная модель работать (это просто пример). MO(0)--это суть МО1 MO(1)--это суть МО2
MO(0) = Matr_1(0, Clast.Value) + Zab1.Value * Matr_1(1, Clast.Value) + _
Pro1.Value * Matr_1(2, Clast.Value) + _
Zab2.Value * Matr_1(3, Clast.Value) + _
Pro2.Value * Matr_1(4, Clast.Value) + _
G1.Value * Matr_1(5, Clast.Value) + _
G2.Value * Matr_1(6, Clast.Value) + _
Och12.Value * Matr_1(7, Clast.Value)

MO(1) = Matr_2(0, Clast.Value) + Zab1.Value * Matr_2(1, Clast.Value) + _
Pro1.Value * Matr_2(2, Clast.Value) + _
Zab2.Value * Matr_2(3, Clast.Value) + _
Pro2.Value * Matr_2(4, Clast.Value) + _
G1.Value * Matr_2(5, Clast.Value) + _
G2.Value * Matr_2(6, Clast.Value) + _
Och12.Value * Matr_2(7, Clast.Value)


вот это первичные оценки (по которым мы "захватываем" как в радиоприёмнике кластер для которого есть модель)

G1.Value
G2.Value

Далее можно поступить так как описано в рейтинговой системе предложенной Сектором---коррекция по последним 3-5 играм (отталкиваемся от среднего за 3-5 прогнозного и реально наступившего --разность берётся для коррекции с некоторым положительным коэффициентом меньше 1 ну допустим 0.25...это можно подобрать по идее).....исключение только в том что тут лучше брать за прогнозные уже скорректированные значения на основе предыдущих расхождений (то есть модель что выше в двух строках плюс поправка 0.25*дельта с реаловом)......

теперь смотрите по объёму цифер даже для простейшего варианта(для нейросетевой ещё больше будет цифер)
у нас 8 точек-кефоф модели и 72 варианта имеем 72*8 фиксирванных параметров + 72 точки для центров кластеризации если мы допустим их зафиксируем (для унификации и повсеместной применимости для разных лиг). а далее всего 5 параметров по идее ведётся в БД для приведённого примера (среднее по лиге можно например тупо вычислять для Пинакловской модели так---взять 20-40 записей подряд по Зд1 Пд1 Зг2 Пг2 (это средние показатели за матч в каком-то фиксированном окне с которым мы работаем для расчёта средних по заб.-проп. допустим 13-15 игр чисто дом или чисто гость) и найти их средние для большей убедительности (Зд1 + Пг2)/2 (Пд1+ Зг2 )/2

ОЧ12 это тут разность очков команд отнесённое к числу игр. (по идее можно и ещё какие-то параметры в модель запихать...но они должны влиять на рез в класторе)

Тут останется только решить, например для линейной модели---включать ли все факторы или нет (так как при определённых уровнях значимости можно считать что фактор не влияет...но там очень слабое влияние по идее любого фактора поэтому можно на начальном этапе включить всё в модель...а для нейросетевого варианта там вообще с этим вопрос открыт---толком ни кто ни ХУ не знает....можно просто тогда по коэфф. корреляции пробовать ориентироваться для выбора факторов или всё включать похерив шум...ибо потом всё равно вероятностсную оценку получать).....

Итого получите как минимум 648 априорно просчитанных циферы для получения более менее внятных МО которые потом желательно(но не обязательно скорректировать уже в самой лиге по последним играм---эту коррекцию лучше даже проводить исходя не из средней оценки модели МО за 3-5 игр а по максимальной вероятности в распределении голов
которой соответствует некий счёт--вот его и надо брать...хотя тут можно разные варианты прогнать и по Рмакс(то есть суммируем вот эти счета и находим среднее потом ищем дельту) и по самим МО.

В качестве первичных оценок можно брать и более сложные алгоритмы(итерационные или иные которые ищут например статические показатели МО по минимуму СКО от резов некоторого объёма игр)...но так как мы потом всё равно строим модели более детально это просто будет неоправданно жрать ресурсы компа....(и всё замедлится)

Вот экспериментальный образец как это может быть реализовано.

Кластеризуем

Function CLASTG1G2_36(ByRef rah As Range, Optional VolatileOn As Boolean = True) As Variant
Application.Volatile VolatileOn
Dim VOZ As Range
Dim i, REZ As Long
Dim smas(1) As Single
For Each VOZ In rah.Cells
smas(i) = VOZ.Value
i = i + 1
Next VOZ

Arrast = Array(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0)
Dim Vxod(35, 1) As Double
Dim SRR As Double


Vxod(0, 0) = 1.4274
Vxod(1, 0) = 1.0934
Vxod(2, 0) = 1.4247
Vxod(3, 0) = 2.1741
Vxod(4, 0) = 2.8308
Vxod(5, 0) = 1.3542
Vxod(6, 0) = 0.7009
Vxod(7, 0) = 0.8444
Vxod(8, 0) = 1.7555
Vxod(9, 0) = 2.1137
Vxod(10, 0) = 2.4477
Vxod(11, 0) = 1.4136
Vxod(12, 0) = 1.7481
Vxod(13, 0) = 0.7401
Vxod(14, 0) = 2.6148
Vxod(15, 0) = 1.1481
Vxod(16, 0) = 1.0668
Vxod(17, 0) = 2.676
Vxod(18, 0) = 3.4578
Vxod(19, 0) = 1.77
Vxod(20, 0) = 4.4713
Vxod(21, 0) = 1.7486
Vxod(22, 0) = 2.1195
Vxod(23, 0) = 1.7294
Vxod(24, 0) = 1.2661
Vxod(25, 0) = 0.8534
Vxod(26, 0) = 1.2886
Vxod(27, 0) = 0.7999
Vxod(28, 0) = 0.671
Vxod(29, 0) = 2.087
Vxod(30, 0) = 0.8173
Vxod(31, 0) = 1.61595
Vxod(32, 0) = 1.10118
Vxod(33, 0) = 1.0401
Vxod(34, 0) = 2.2259
Vxod(35, 0) = 3.422

Vxod(0, 1) = 0.9598
Vxod(1, 1) = 1.4498
Vxod(2, 1) = 1.2298
Vxod(3, 1) = 1.0525
Vxod(4, 1) = 0.4222
Vxod(5, 1) = 2.2127
Vxod(6, 1) = 0.8088
Vxod(7, 1) = 2.7019
Vxod(8, 1) = 1.1315
Vxod(9, 1) = 2.3403
Vxod(10, 1) = 1.6433
Vxod(11, 1) = 0.7243
Vxod(12, 1) = 0.3485
Vxod(13, 1) = 1.7113
Vxod(14, 1) = 0.814
Vxod(15, 1) = 1.1415
Vxod(16, 1) = 0.6902
Vxod(17, 1) = 1.1718
Vxod(18, 1) = 1.4686
Vxod(19, 1) = 0.8443
Vxod(20, 1) = 0.7854
Vxod(21, 1) = 1.8102
Vxod(22, 1) = 0.7581
Vxod(23, 1) = 0.5888
Vxod(24, 1) = 1.7355
Vxod(25, 1) = 0.4623
Vxod(26, 1) = 0.44935
Vxod(27, 1) = 2.0855
Vxod(28, 1) = 1.3163
Vxod(29, 1) = 1.3572
Vxod(30, 1) = 1.0765
Vxod(31, 1) = 1.44936
Vxod(32, 1) = 0.9149
Vxod(33, 1) = 3.4977
Vxod(34, 1) = 0.4913
Vxod(35, 1) = 0.7352





For i = 0 To 35
SRR = 0
For j = 0 To 1
SRR = SRR + (Vxod(i, j) - smas(j)) ^ 2
Next j
Arrast(i) = SRR
Next i

REZ = WorksheetFunction.Match(WorksheetFunction.Min(Arrast), Arrast, 0) - 1

CLASTG1G2_36 = REZ
End Function


Первичная коррекция

Function MOCORECT(ByRef rah1 As Range, ByRef rah2 As Range, ByRef rah3 As Range, ByRef rah4 As Range, ByRef rah5 As Range, _
ByRef rah6 As Range, ByRef rah7 As Range, ByRef rah8 As Range, Optional VolatileOn As Boolean = True) As Variant

Application.Volatile VolatileOn
Set Clast = rah1
Set Zab1 = rah2
Set Pro1 = rah3
Set Zab2 = rah4
Set Pro2 = rah5
Set G1 = rah6
Set G2 = rah7
Set Och12 = rah8
Dim MO(1) As Double
Dim Matr_1(7, 35) As Double
Dim Matr_2(7, 35) As Double

Matr_1(0, 0) = -0.3098
Matr_1(1, 0) = 0.5529
Matr_1(2, 0) = 0.5902
Matr_1(3, 0) = 0.3022
Matr_1(4, 0) = -0.2612
Matr_1(5, 0) = 0.3059
Matr_1(6, 0) = -0.077
Matr_1(7, 0) = 0.2903
Matr_1(0, 1) = 0.6258
Matr_1(1, 1) = 1.3545
Matr_1(2, 1) = -0.7857
Matr_1(3, 1) = -1.2242
Matr_1(4, 1) = 0.9519
Matr_1(5, 1) = -0.937
Matr_1(6, 1) = 0.9159
Matr_1(7, 1) = 0.2499
Matr_1(0, 2) = 2.9516
Matr_1(1, 2) = 0.3866
Matr_1(2, 2) = -0.5503
Matr_1(3, 2) = -0.5753
Matr_1(4, 2) = 0.112
Matr_1(5, 2) = -1.23
Matr_1(6, 2) = 0.8334
Matr_1(7, 2) = 0.4725
Matr_1(0, 3) = 4.2044
Matr_1(1, 3) = -0.3786
Matr_1(2, 3) = 0.246
Matr_1(3, 3) = -0.3329
Matr_1(4, 3) = -0.3261
Matr_1(5, 3) = -1.5442
Matr_1(6, 3) = 2.2062
Matr_1(7, 3) = -0.0719
Matr_1(0, 4) = -0.0775
Matr_1(1, 4) = -0.6956
Matr_1(2, 4) = -0.5694
Matr_1(3, 4) = -0.04
Matr_1(4, 4) = 0.3638
Matr_1(5, 4) = 1.3733
Matr_1(6, 4) = -0.6863
Matr_1(7, 4) = 0.4813
Matr_1(0, 5) = -3.638
Matr_1(1, 5) = 0.4089
Matr_1(2, 5) = 0.7618
Matr_1(3, 5) = 0.4302
Matr_1(4, 5) = -0.0759
Matr_1(5, 5) = 0.567
Matr_1(6, 5) = 0.688
Matr_1(7, 5) = -0.1758
Matr_1(0, 6) = -0.0059
Matr_1(1, 6) = -0.6746
Matr_1(2, 6) = 0.9973
Matr_1(3, 6) = 0.6085
Matr_1(4, 6) = -0.5126
Matr_1(5, 6) = 2.3957
Matr_1(6, 6) = -0.9546
Matr_1(7, 6) = 0.0046
Matr_1(0, 7) = -2.9595
Matr_1(1, 7) = 2.0163
Matr_1(2, 7) = -0.4754
Matr_1(3, 7) = -0.3881
Matr_1(4, 7) = 2.371
Matr_1(5, 7) = -2.4641
Matr_1(6, 7) = 0.8683
Matr_1(7, 7) = -0.067
Matr_1(0, 8) = 3.3594
Matr_1(1, 8) = -0.6411
Matr_1(2, 8) = -1.4255
Matr_1(3, 8) = -0.5781
Matr_1(4, 8) = -0.9237
Matr_1(5, 8) = 1.4237
Matr_1(6, 8) = 0.5852
Matr_1(7, 8) = 0.1444
Matr_1(0, 9) = -0.1035
Matr_1(1, 9) = 0.8169
Matr_1(2, 9) = -0.8137
Matr_1(3, 9) = 0.249
Matr_1(4, 9) = 0.4209
Matr_1(5, 9) = -1.2684
Matr_1(6, 9) = 1.3569
Matr_1(7, 9) = 0.624
Matr_1(0, 10) = -6.3496
Matr_1(1, 10) = 2.4708
Matr_1(2, 10) = -0.6502
Matr_1(3, 10) = -0.7336
Matr_1(4, 10) = 3.2521
Matr_1(5, 10) = -1.6403
Matr_1(6, 10) = 1.6815
Matr_1(7, 10) = 1.4953
Matr_1(0, 11) = -0.0241
Matr_1(1, 11) = 0.3852
Matr_1(2, 11) = -0.8424
Matr_1(3, 11) = -0.3799
Matr_1(4, 11) = 0.61
Matr_1(5, 11) = 0.5618
Matr_1(6, 11) = 0.2108
Matr_1(7, 11) = 0.3465
Matr_1(0, 12) = 1.8312
Matr_1(1, 12) = 0.7233
Matr_1(2, 12) = 1.1534
Matr_1(3, 12) = 0.8897
Matr_1(4, 12) = -0.7053
Matr_1(5, 12) = -0.6329
Matr_1(6, 12) = -1.6365
Matr_1(7, 12) = 0.2175
Matr_1(0, 13) = 1.0847
Matr_1(1, 13) = 0.4193
Matr_1(2, 13) = -0.5022
Matr_1(3, 13) = -0.1225
Matr_1(4, 13) = 0.2697
Matr_1(5, 13) = -0.107
Matr_1(6, 13) = 0.1762
Matr_1(7, 13) = 0.3286
Matr_1(0, 14) = 2.5722
Matr_1(1, 14) = 0.4586
Matr_1(2, 14) = -0.981
Matr_1(3, 14) = -1.3486
Matr_1(4, 14) = -0.4023
Matr_1(5, 14) = 0.1567
Matr_1(6, 14) = 0.9106
Matr_1(7, 14) = 0.671
Matr_1(0, 15) = -0.5789
Matr_1(1, 15) = -0.6501
Matr_1(2, 15) = 0.7086
Matr_1(3, 15) = 0.478
Matr_1(4, 15) = -0.7224
Matr_1(5, 15) = 1.9118
Matr_1(6, 15) = 0.2301
Matr_1(7, 15) = 0.3269
Matr_1(0, 16) = 2.9179
Matr_1(1, 16) = 0.9488
Matr_1(2, 16) = 0.557
Matr_1(3, 16) = -0.2803
Matr_1(4, 16) = -0.1111
Matr_1(5, 16) = -0.5637
Matr_1(6, 16) = -3.1748
Matr_1(7, 16) = 0.3577
Matr_1(0, 17) = -1.6804
Matr_1(1, 17) = -0.5921
Matr_1(2, 17) = 0.6838
Matr_1(3, 17) = 0.4255
Matr_1(4, 17) = -1.2669
Matr_1(5, 17) = 2.0143
Matr_1(6, 17) = 0.4752
Matr_1(7, 17) = 0.3663
Matr_1(0, 18) = 5.6476
Matr_1(1, 18) = 0.6679
Matr_1(2, 18) = -0.7649
Matr_1(3, 18) = -2.1676
Matr_1(4, 18) = 0.7456
Matr_1(5, 18) = -1.2032
Matr_1(6, 18) = 0.6091
Matr_1(7, 18) = 0.8231
Matr_1(0, 19) = 0.5885
Matr_1(1, 19) = 0.2248
Matr_1(2, 19) = 0.2619
Matr_1(3, 19) = 0.3368
Matr_1(4, 19) = -0.4932
Matr_1(5, 19) = 0.8361
Matr_1(6, 19) = -0.542
Matr_1(7, 19) = 0.4878
Matr_1(0, 20) = 7.5527
Matr_1(1, 20) = -1.7208
Matr_1(2, 20) = -5.0202
Matr_1(3, 20) = -1.8656
Matr_1(4, 20) = -3.2519
Matr_1(5, 20) = 1.8823
Matr_1(6, 20) = 5.8846
Matr_1(7, 20) = 1.4125
Matr_1(0, 21) = 3.5429
Matr_1(1, 21) = 1.9104
Matr_1(2, 21) = -0.6202
Matr_1(3, 21) = 0.2175
Matr_1(4, 21) = 1.5077
Matr_1(5, 21) = -2.8708
Matr_1(6, 21) = -1.1418
Matr_1(7, 21) = 0.4492
Matr_1(0, 22) = 2.0083
Matr_1(1, 22) = 1.1113
Matr_1(2, 22) = -0.1275
Matr_1(3, 22) = -0.3949
Matr_1(4, 22) = 0.7223
Matr_1(5, 22) = -2.3154
Matr_1(6, 22) = 2.2055
Matr_1(7, 22) = 0.3072
Matr_1(0, 23) = 0.0287
Matr_1(1, 23) = 1.2978
Matr_1(2, 23) = -1.9605
Matr_1(3, 23) = -1.5702
Matr_1(4, 23) = 0.8529
Matr_1(5, 23) = -0.5693
Matr_1(6, 23) = 3.3636
Matr_1(7, 23) = 0.2757
Matr_1(0, 24) = 0.2628
Matr_1(1, 24) = 0.1247
Matr_1(2, 24) = 0.4298
Matr_1(3, 24) = 0.7668
Matr_1(4, 24) = 0.6543
Matr_1(5, 24) = 0.7786
Matr_1(6, 24) = -1.4427
Matr_1(7, 24) = 0.1657
Matr_1(0, 25) = -2.2866
Matr_1(1, 25) = 1.0714
Matr_1(2, 25) = 1.2307
Matr_1(3, 25) = 0.991
Matr_1(4, 25) = 0.7926
Matr_1(5, 25) = 0.3668
Matr_1(6, 25) = -1.0442
Matr_1(7, 25) = 0.2962
Matr_1(0, 26) = 2.139
Matr_1(1, 26) = -0.014
Matr_1(2, 26) = -1.3992
Matr_1(3, 26) = -1.1741
Matr_1(4, 26) = -0.0521
Matr_1(5, 26) = 0.0384
Matr_1(6, 26) = 2.4818
Matr_1(7, 26) = 0.5457
Matr_1(0, 27) = 1.8692
Matr_1(1, 27) = 0.107
Matr_1(2, 27) = -0.1342
Matr_1(3, 27) = -0.5788
Matr_1(4, 27) = 0.3078
Matr_1(5, 27) = -0.6185
Matr_1(6, 27) = 0.3093
Matr_1(7, 27) = 0.2109
Matr_1(0, 28) = 1.943
Matr_1(1, 28) = 0.0062
Matr_1(2, 28) = 1.4576
Matr_1(3, 28) = 0.862
Matr_1(4, 28) = 0.5465
Matr_1(5, 28) = -0.7384
Matr_1(6, 28) = -2.506
Matr_1(7, 28) = 0.3978
Matr_1(0, 29) = -1.3638
Matr_1(1, 29) = -0.2943
Matr_1(2, 29) = 0.3984
Matr_1(3, 29) = -0.2287
Matr_1(4, 29) = -0.3376
Matr_1(5, 29) = 0.842
Matr_1(6, 29) = 1.6771
Matr_1(7, 29) = 0.1323
Matr_1(0, 30) = 0.878
Matr_1(1, 30) = -0.179
Matr_1(2, 30) = 0.1338
Matr_1(3, 30) = -0.3443
Matr_1(4, 30) = 0.0621
Matr_1(5, 30) = -0.9268
Matr_1(6, 30) = 1.5451
Matr_1(7, 30) = 0.2371
Matr_1(0, 31) = -0.4456
Matr_1(1, 31) = 0.1463
Matr_1(2, 31) = 0.113
Matr_1(3, 31) = 0.219
Matr_1(4, 31) = 0.6252
Matr_1(5, 31) = 0.513
Matr_1(6, 31) = -0.3767
Matr_1(7, 31) = 0.4705
Matr_1(0, 32) = 1.0148
Matr_1(1, 32) = 1.1785
Matr_1(2, 32) = -0.0461
Matr_1(3, 32) = 0.4488
Matr_1(4, 32) = 1.1576
Matr_1(5, 32) = -2.1882
Matr_1(6, 32) = -0.732
Matr_1(7, 32) = 0.3372
Matr_1(0, 33) = 2.5216
Matr_1(1, 33) = -0.3879
Matr_1(2, 33) = -1.8707
Matr_1(3, 33) = -1.3145
Matr_1(4, 33) = -0.5166
Matr_1(5, 33) = 0.3129
Matr_1(6, 33) = 1.7054
Matr_1(7, 33) = 0.4344
Matr_1(0, 34) = 3.7645
Matr_1(1, 34) = 0.7252
Matr_1(2, 34) = -1.8788
Matr_1(3, 34) = -2.2242
Matr_1(4, 34) = 0.1105
Matr_1(5, 34) = -0.5107
Matr_1(6, 34) = 1.4772
Matr_1(7, 34) = 0.5023
Matr_1(0, 35) = -11.9779
Matr_1(1, 35) = 2.7327
Matr_1(2, 35) = 2.0461
Matr_1(3, 35) = 1.0542
Matr_1(4, 35) = 2.6938
Matr_1(5, 35) = -0.2444
Matr_1(6, 35) = -0.4059
Matr_1(7, 35) = -0.1325

Matr_2(0, 0) = 0.1068
Matr_2(1, 0) = -0.4201
Matr_2(2, 0) = 1.2382
Matr_2(3, 0) = 1.2995
Matr_2(4, 0) = -0.3261
Matr_2(5, 0) = 0.7488
Matr_2(6, 0) = -1.7956
Matr_2(7, 0) = -0.1724
Matr_2(0, 1) = -0.9225
Matr_2(1, 1) = 0.2653
Matr_2(2, 1) = -0.2091
Matr_2(3, 1) = 0.0553
Matr_2(4, 1) = 0.3372
Matr_2(5, 1) = 0.3451
Matr_2(6, 1) = 0.8899
Matr_2(7, 1) = 0.0027
Matr_2(0, 2) = -1.2679
Matr_2(1, 2) = 0.4393
Matr_2(2, 2) = 0.0893
Matr_2(3, 2) = 0.0419
Matr_2(4, 2) = 0.7274
Matr_2(5, 2) = 0.745
Matr_2(6, 2) = -0.4598
Matr_2(7, 2) = 0.032
Matr_2(0, 3) = 0.1023
Matr_2(1, 3) = -0.1666
Matr_2(2, 3) = 0.0818
Matr_2(3, 3) = 0.502
Matr_2(4, 3) = -0.2409
Matr_2(5, 3) = 1.0065
Matr_2(6, 3) = -1.0564
Matr_2(7, 3) = -0.3263
Matr_2(0, 4) = 0.1056
Matr_2(1, 4) = 0.2536
Matr_2(2, 4) = 1.6115
Matr_2(3, 4) = 1.5729
Matr_2(4, 4) = 0.5061
Matr_2(5, 4) = -0.9887
Matr_2(6, 4) = -1.9879
Matr_2(7, 4) = 0.4077
Matr_2(0, 5) = 1.493
Matr_2(1, 5) = -1.4257
Matr_2(2, 5) = 2.9112
Matr_2(3, 5) = 2.9749
Matr_2(4, 5) = -3.0963
Matr_2(5, 5) = 1.7364
Matr_2(6, 5) = -2.3637
Matr_2(7, 5) = -0.5224
Matr_2(0, 6) = 1.6528
Matr_2(1, 6) = 1.3607
Matr_2(2, 6) = -0.3901
Matr_2(3, 6) = 0.3293
Matr_2(4, 6) = 1.102
Matr_2(5, 6) = -1.8432
Matr_2(6, 6) = -2.488
Matr_2(7, 6) = -0.7186
Matr_2(0, 7) = -0.0927
Matr_2(1, 7) = 1.7219
Matr_2(2, 7) = 0.0825
Matr_2(3, 7) = -0.1491
Matr_2(4, 7) = 1.8748
Matr_2(5, 7) = -1.7906
Matr_2(6, 7) = -0.3933
Matr_2(7, 7) = -0.5423
Matr_2(0, 8) = 0.0301
Matr_2(1, 8) = -0.1507
Matr_2(2, 8) = 0.3402
Matr_2(3, 8) = 0.3771
Matr_2(4, 8) = -0.3242
Matr_2(5, 8) = 0.0888
Matr_2(6, 8) = 0.7628
Matr_2(7, 8) = -0.1193
Matr_2(0, 9) = -3.795
Matr_2(1, 9) = 1.5123
Matr_2(2, 9) = 0.4493
Matr_2(3, 9) = -0.0519
Matr_2(4, 9) = 1.9761
Matr_2(5, 9) = -0.6318
Matr_2(6, 9) = -0.3365
Matr_2(7, 9) = -1.01
Matr_2(0, 10) = 3.008
Matr_2(1, 10) = -0.5369
Matr_2(2, 10) = -0.8764
Matr_2(3, 10) = -0.9802
Matr_2(4, 10) = -0.4889
Matr_2(5, 10) = -0.1468
Matr_2(6, 10) = 1.9181
Matr_2(7, 10) = -0.1246
Matr_2(0, 11) = 2.581
Matr_2(1, 11) = -0.1293
Matr_2(2, 11) = 0.9538
Matr_2(3, 11) = 0.8516
Matr_2(4, 11) = -0.2605
Matr_2(5, 11) = -1.3623
Matr_2(6, 11) = -1.0488
Matr_2(7, 11) = 0.3003
Matr_2(0, 12) = 3.8867
Matr_2(1, 12) = -0.0876
Matr_2(2, 12) = 0.5494
Matr_2(3, 12) = 0.7227
Matr_2(4, 12) = -0.4881
Matr_2(5, 12) = -1.3707
Matr_2(6, 12) = -1.7548
Matr_2(7, 12) = 0.0514
Matr_2(0, 13) = 1.6401
Matr_2(1, 13) = 0.9459
Matr_2(2, 13) = 0.8948
Matr_2(3, 13) = 1.08
Matr_2(4, 13) = 0.2183
Matr_2(5, 13) = -0.0809
Matr_2(6, 13) = -2.4912
Matr_2(7, 13) = -0.2169
Matr_2(0, 14) = -0.3193
Matr_2(1, 14) = 0.3613
Matr_2(2, 14) = 0.2936
Matr_2(3, 14) = -0.04
Matr_2(4, 14) = 0.3741
Matr_2(5, 14) = 0.0358
Matr_2(6, 14) = -0.0753
Matr_2(7, 14) = -0.5563
Matr_2(0, 15) = -2.4949
Matr_2(1, 15) = -0.1568
Matr_2(2, 15) = 0.6017
Matr_2(3, 15) = 0.8651
Matr_2(4, 15) = -0.201
Matr_2(5, 15) = 1.7863
Matr_2(6, 15) = 0.2486
Matr_2(7, 15) = -0.2343
Matr_2(0, 16) = 1.189
Matr_2(1, 16) = -0.1697
Matr_2(2, 16) = 0.2773
Matr_2(3, 16) = 0.6262
Matr_2(4, 16) = -0.3062
Matr_2(5, 16) = 0.3538
Matr_2(6, 16) = -1.0128
Matr_2(7, 16) = -0.2713
Matr_2(0, 17) = -1.7921
Matr_2(1, 17) = -0.0884
Matr_2(2, 17) = 0.0982
Matr_2(3, 17) = -0.2174
Matr_2(4, 17) = 0.315
Matr_2(5, 17) = 0.6012
Matr_2(6, 17) = 0.6522
Matr_2(7, 17) = -0.0867
Matr_2(0, 18) = 4.38
Matr_2(1, 18) = 0.5002
Matr_2(2, 18) = -3.3081
Matr_2(3, 18) = -0.4995
Matr_2(4, 18) = 2.1381
Matr_2(5, 18) = -1.9375
Matr_2(6, 18) = 1.4743
Matr_2(7, 18) = 0.1619
Matr_2(0, 19) = -0.1935
Matr_2(1, 19) = -0.2004
Matr_2(2, 19) = 0.7893
Matr_2(3, 19) = 0.7757
Matr_2(4, 19) = -0.3437
Matr_2(5, 19) = 0.2366
Matr_2(6, 19) = 0.2664
Matr_2(7, 19) = -0.1277
Matr_2(0, 20) = 4.4591
Matr_2(1, 20) = -0.3966
Matr_2(2, 20) = -0.7152
Matr_2(3, 20) = -1.2069
Matr_2(4, 20) = -1.0992
Matr_2(5, 20) = 0.5989
Matr_2(6, 20) = 0.2644
Matr_2(7, 20) = -0.7811
Matr_2(0, 21) = 1.8151
Matr_2(1, 21) = 0.7632
Matr_2(2, 21) = -0.014
Matr_2(3, 21) = 0.7249
Matr_2(4, 21) = 0.5531
Matr_2(5, 21) = -0.2219
Matr_2(6, 21) = -1.9721
Matr_2(7, 21) = -0.3308
Matr_2(0, 22) = 1.6939
Matr_2(1, 22) = -0.4075
Matr_2(2, 22) = 1.4367
Matr_2(3, 22) = 1.3045
Matr_2(4, 22) = -0.0415
Matr_2(5, 22) = -1.0871
Matr_2(6, 22) = -0.2831
Matr_2(7, 22) = -0.1922
Matr_2(0, 23) = -2.2729
Matr_2(1, 23) = 0.2488
Matr_2(2, 23) = 0.1604
Matr_2(3, 23) = -0.2051
Matr_2(4, 23) = 0.245
Matr_2(5, 23) = 0.91
Matr_2(6, 23) = 1.4473
Matr_2(7, 23) = 0.0116
Matr_2(0, 24) = -0.0425
Matr_2(1, 24) = -0.1025
Matr_2(2, 24) = 0.3394
Matr_2(3, 24) = 0.9414
Matr_2(4, 24) = 0.2473
Matr_2(5, 24) = 0.311
Matr_2(6, 24) = -0.5349
Matr_2(7, 24) = -0.0466
Matr_2(0, 25) = 0.2181
Matr_2(1, 25) = 0.3731
Matr_2(2, 25) = 0.6318
Matr_2(3, 25) = 0.642
Matr_2(4, 25) = 0.1671
Matr_2(5, 25) = -0.0444
Matr_2(6, 25) = -1.6968
Matr_2(7, 25) = -0.4378
Matr_2(0, 26) = 1.4726
Matr_2(1, 26) = 1.2238
Matr_2(2, 26) = -1.2732
Matr_2(3, 26) = -1.491
Matr_2(4, 26) = 1.0185
Matr_2(5, 26) = -1.7745
Matr_2(6, 26) = 1.4352
Matr_2(7, 26) = -0.1747
Matr_2(0, 27) = 1.4774
Matr_2(1, 27) = 0.082
Matr_2(2, 27) = -0.8889
Matr_2(3, 27) = -0.1522
Matr_2(4, 27) = -0.5746
Matr_2(5, 27) = 0.2806
Matr_2(6, 27) = 0.6994
Matr_2(7, 27) = -0.3814
Matr_2(0, 28) = 4.0369
Matr_2(1, 28) = 0.2393
Matr_2(2, 28) = -1.0601
Matr_2(3, 28) = -0.7558
Matr_2(4, 28) = 0.053
Matr_2(5, 28) = -0.9934
Matr_2(6, 28) = -0.3658
Matr_2(7, 28) = -0.4095
Matr_2(0, 29) = -0.3042
Matr_2(1, 29) = -0.8937
Matr_2(2, 29) = 0.2321
Matr_2(3, 29) = -0.1351
Matr_2(4, 29) = -1.109
Matr_2(5, 29) = 0.8116
Matr_2(6, 29) = 2.3214
Matr_2(7, 29) = -0.1805
Matr_2(0, 30) = 1.304
Matr_2(1, 30) = 0.1229
Matr_2(2, 30) = 0.0623
Matr_2(3, 30) = 0.6035
Matr_2(4, 30) = 0.1482
Matr_2(5, 30) = -0.5989
Matr_2(6, 30) = -0.6381
Matr_2(7, 30) = 0.0198
Matr_2(0, 31) = -2.1229
Matr_2(1, 31) = 0.0223
Matr_2(2, 31) = 0.9271
Matr_2(3, 31) = 0.9535
Matr_2(4, 31) = -0.0778
Matr_2(5, 31) = 0.2608
Matr_2(6, 31) = 0.3257
Matr_2(7, 31) = -0.2363
Matr_2(0, 32) = 2.2345
Matr_2(1, 32) = 0.3376
Matr_2(2, 32) = 0.6671
Matr_2(3, 32) = 0.3902
Matr_2(4, 32) = 0.2852
Matr_2(5, 32) = -1.3496
Matr_2(6, 32) = -1.7873
Matr_2(7, 32) = -0.5513
Matr_2(0, 33) = -6.0972
Matr_2(1, 33) = 1.6282
Matr_2(2, 33) = -0.8781
Matr_2(3, 33) = -0.4452
Matr_2(4, 33) = 3.2157
Matr_2(5, 33) = -3.4061
Matr_2(6, 33) = 1.8609
Matr_2(7, 33) = -1.2799
Matr_2(0, 34) = 0.5022
Matr_2(1, 34) = -0.4678
Matr_2(2, 34) = 1.3117
Matr_2(3, 34) = 0.8717
Matr_2(4, 34) = -0.4762
Matr_2(5, 34) = 0.4809
Matr_2(6, 34) = -0.9202
Matr_2(7, 34) = -0.3083
Matr_2(0, 35) = -0.2565
Matr_2(1, 35) = 0.1119
Matr_2(2, 35) = 0.4967
Matr_2(3, 35) = 0.2896
Matr_2(4, 35) = -0.5931
Matr_2(5, 35) = 0.5059
Matr_2(6, 35) = -0.3077
Matr_2(7, 35) = -0.3836

MO(0) = Matr_1(0, Clast.Value) + Zab1.Value * Matr_1(1, Clast.Value) + _
Pro1.Value * Matr_1(2, Clast.Value) + _
Zab2.Value * Matr_1(3, Clast.Value) + _
Pro2.Value * Matr_1(4, Clast.Value) + _
G1.Value * Matr_1(5, Clast.Value) + _
G2.Value * Matr_1(6, Clast.Value) + _
Och12.Value * Matr_1(7, Clast.Value)

MO(1) = Matr_2(0, Clast.Value) + Zab1.Value * Matr_2(1, Clast.Value) + _
Pro1.Value * Matr_2(2, Clast.Value) + _
Zab2.Value * Matr_2(3, Clast.Value) + _
Pro2.Value * Matr_2(4, Clast.Value) + _
G1.Value * Matr_2(5, Clast.Value) + _
G2.Value * Matr_2(6, Clast.Value) + _
Och12.Value * Matr_2(7, Clast.Value)
MOCORECT = MO
End Function


Далее смотрим тему Сектора как чё рассчитать(но не для лайва, а просто исходные Р...для рынков до инплей для лайва эту байду надо дальше там мудрить с голами.)


Далее хотите делайте доп. коррекцию в самой лиге, хотите так пробуйте…
Вам останется только построить 72 регрессионных или нейросетевых модели
со своими циферками для Вашего набора лиг….(это для первичной коррекции)
Ну можете и вот эти экспериментальные данные попробовать (гарантий я не дам на 100% рез при этом в любом случае надо будет выработать процедуры принятия решений получив оценки Р на исход при этом в этом механизме могут задействоваться иные характеристики команд или пары в целом….)


Теперь поймите разницу между первым постом и хотя бы вот этим (хотя это не самое заумное…а я бы даже сказал—наипростейшее)

[Alliance87]

Подскажите, пожалуйста, где можно подробней прочитать про кластеризацию?

[Bambuk]

Alliance87, on 22 September 2015 - 21:00, сказал:

Подскажите, пожалуйста, где можно подробней прочитать про кластеризацию?

Я Вам уже всё кластеризовал по первичным оценкам МО (считал я по 13-15 последних игр домашних для дома или гостевых для гостя но можно по идее и меньше взять 10-12 допустим. но тогда это окно везде надо использовать) ( в функцию вводите только данные МО1 МО2 они должны быть рядом и указываете функции сразу диапазон из 2-ух ячеек) а она вернёт номер кластера, который дальше можно использовать--в частности например для следующей функции примера).
почитать можно где угодно--забейте в гугл "Кластерный анализ"...если конкретно по тому что привёл в примере то там использовался метод К-средних https://www.google.r...wqK5fE214o3gExA

Отредактировано Bambuk, 22 September 2015 - 21:28.

[игрок]

Imago, on 22 September 2015 - 17:19, сказал:

Я думаю, конторы при составлении линий делают более точные прогнозы и учитывают гораздо больше факторов)

Совершенно согласен!