Klađenje

Korak-po-korak tutorijal: expected goals (xG) model za pojedinačne fudbalske opklade

Article Image

Kako expected goals (xG) model pomaže pri proceni pojedinačnih fudbalskih opklada

Expected goals (xG) predstavlja modelovanu verovatnoću da šut rezultira golom, i služi kao kvantitativna procena šansi tokom utakmice. Za publiku koja se bavi pojedinačnim fudbalskim opkladama, xG model pomaže da se objektivizuju procene događaja i otkriju razlike između tržišnih kvota i stvarne verovatnoće ishoda.

U narednim delovima biće objašnjeno kako koristiti javno dostupne podatke za izgradnju jednostavnog xG modela, kako pretvoriti modelovane verovatnoće u fer kvote (decimalne kvote), kako prepoznati value betove i kako pristupiti početnom backtestiranju uz osnovnu procenu rizika i upravljanje budžetom.

Osnovni pojmovi i šta znači “fer kvota” i “value bet”

Pre nego što se uđe u podatke i model, važno je razumeti termine:

  • xG (expected goals) — verovatnoća da određeni šut postane gol, izražena kao decimalni broj između 0 i 1.
  • Kvota — decimalni izraz koji predstavlja isplatu; npr. kvota 2.50 znači da se ulog 1 vraća kao 2.50 ako je dobitak. Kvota implicira verovatnoću: implicitna verovatnoća = 1 / kvota.
  • Fer kvota — kvota koja odgovara modelovanoj (istinitoj) verovatnoći bez bookmakerove marže; fer kvota = 1 / modelovana verovatnoća.
  • Value bet — opklada gde ponuda kladionice (decimalna kvota) > fer kvote iz modela; takva opklada ima pozitivnu očekivanu vrednost ako je model tačan.
  • Margina (vig) — razlika između zbirnih implicitnih verovatnoća ponuđenih kvota i 1; kladionice ubacuju marginu da bi osigurale profit.

Koji javno dostupni podaci su potrebni i kako ih pripremiti

Za jednostavan xG model dovoljan je skup podataka o šutevima sa osnovnim atributima: pozicija šuta, tip udarca (glava/ploča/stopalo), minut utakmice, rezultat u tom trenutku, udaljenost i ugao. Takve podatke mogu ponuditi javni izvori sa granularnim event-level statistikama.

Priprema podataka zahteva čišćenje i kreiranje karakteristika (feature engineering) koje modelu pomažu da razlikuje kvalitet šanse. Takođe treba uključiti faktore koji utiču na fudbalske opklade: forma, očekivani sastav, povrede, stil igre (defanzivan/napadački), domaći teren, raspored i međusobni dueli.

  1. Sakupiti event-level podatke (šutevi) i rezultat utakmice.
  2. Normalizovati koordinate i izračunati ugao i udaljenost do gola.
  3. Kodirati tip udarca, telo igrača, stanje igre (npr. broj igrača, crveni karton), i minut.
  4. Podeliti skup na trening, validaciju i test (time-based split preporučen).

U sledećem delu biće prikazane konkretne formulacije za pretvaranje modelovanih verovatnoća u fer kvote, primer izračuna value beta i praktični koraci za backtestiranje i upravljanje budžetom.

Pretvaranje modelovanih verovatnoća u fer kvote i kako “de-vigovati” tržišne kvote

Nakon što model da za datu priliku verovatnoću p_model (npr. 0.23), fer kvota (bez marže) se jednostavno dobija kao

fer_kvota_model = 1 / p_model

Međutim, tržišne kvote koje kladionice nude uključuju maržu (vig). Pre nego što uporedite svoju verovatnoću sa tržištem, dobro je izračunati tržišne fer verovatnoće (de-vigovane) kako biste izbegli lažne signale value beta. Najjednostavnija i često dovoljna metoda je proporcionalno skaliranje implicitnih verovatnoća:

1) Izračunati implicitne verovatnoće iz ponuđenih kvota: p_i = 1 / odds_i za sve ishode i.

2) Izračunati zbir S = sum_i p_i. (Ako postoji marža, S > 1.)

3) Dobiti de-vigovane (fer) verovatnoće: p_i_fair = p_i / S.

4) Pretvoriti nazad u fer kvote: odds_i_fair = 1 / p_i_fair.

Primer (tri ishoda): ako su tržišne kvote 2.50, 3.20, 2.80, implicitne verovatnoće su ~0.40, 0.3125, 0.3571, S ≈ 1.0696. Fer verovatnoće se dobijaju deljenjem svakog p_i sa S; fer kvote su inverzi tih vrednosti.

Napomena: postoje i naprednije metode (npr. Shinova metoda) koje rade bolje kada su tržišta eksponencijalno podešena ili kada želite modelovati tržišne “insajderske” neravnoteže, ali za početak proporcionalno skaliranje je brz i transparentan pristup.

Identifikacija value betova i izračun očekivane vrednosti (EV)

Nakon što imate p_model i p_market_fair (de-vigovano), kriterijum za value bet je jednostavan:

value ako je p_model > p_market_fair

Praktičnije, možete računati očekivanu vrednost po jedinici uloga (EV):

EV = p_model * odds_offered – 1

Gde su odds_offered — kvote koje biste stvarno dobili (možete upotrebiti de-vigovane kvote za konzervativniju procenu tržišta ili realne ponuđene kvote ako ih prihvatate direktno). Ako je EV > 0, opklada je u proseku dobitna prema vašem modelu.

Još preciznije, za decimalne kvote:

EV = p_model * (odds_offered – 1) – (1 – p_model)

U praksi, zbog grešaka modela i neizvesnosti, postavite prag: npr. tražite EV > 0.02 (2% očekivanja) ili zahtevajte minimalnu razliku u implicitnim verovatnoćama (npr. p_model – p_market_fair > 0.03) pre nego što postavite opkladu.

Osnovno backtestiranje, provera robusnosti i upravljanje budžetom

Backtest je ključan da biste videli da li vaša strategija stvarno donosi profit. Koraci:

  1. Time-based split: trenirajte model na istorijskim podacima do datuma T, testirajte dalje (izbegavajte curenje informacija iz budućnosti).
  2. Koristite istorijske tržišne kvote da simulirate realne opklade; odmah de-vigujte svaku ponudu da identifikujete value betove prema modelu treniranom pre tog događaja.
  3. Simulirajte stake sizing (npr. fiksni ulog, fiksni % bankrolla, ili Kelly formula). Kelly daje optimalni udeo f* = (b p – q)/b gde je b = odds-1, p = p_model, q = 1-p; koristite frakcioni Kelly (npr. 0.25–0.5 Kelly) radi smanjenja volatilnosti.
  4. Izmerite metrike: kumulativni P/L, ROI (profit / ukupni ulog), maksimum povlačenje (max drawdown), hit rate, Sharpe ratio i Brier score za kalibraciju verovatnoća.
  5. Validacija robusnosti: bootstrap ili rolling-window testovi da procenite varijansu performansi i koliko često model pogađa value overfitting.

Upravljanje rizikom i praktične smernice:

  • Držite bank rol (ukupan fond) i nikad ne rizikujte previše; preporuka početnicima: 1–2% fiksnog bankrolla po opkladi ili frakcioni Kelly.
  • Ograničite broj korelisanih opklada (npr. iz istog meča ili iste lige) jer to povećava tail-risk.
  • Vodite detaljan dnevnik opklada (datum, meč, p_model, tržišna kvota, stake, rezultat) i redovno revidirajte performanse.
  • Budite svesni rizika modela: promene u sastavima, taktici, tržišnim uslovima i promotivnim kvotama mogu značajno uticati na rezultate.

Sledeći deo će pokazati praktičan primer koda i konkretne metrike iz simuliranog backtesta kako biste videli sve gore navedene korake u akciji.

Praktični primer: šta možete očekivati od simulacije i kako tumačiti rezultate

U ranoj fazi razvoja modela obično ćete dobiti mešavinu signala — neki dani ili sezone će izgledati profitabilno, drugi će imati veće gubitke. Bitno je da backtest ne koristite za dokazivanje već za ispitivanje hipoteza i razumevanje ponašanja strategije pod različitim uslovima.

Tipične metrike i kako ih interpretirati

  • Kumulativni P/L: pokazuje apsolutni profit ili gubitak kroz vreme; važan za razumevanje dugoročnog trenda.
  • ROI (return on investment): profit podeljen sa ukupnim ulozima; korisno za poređenje strategija različitih skala.
  • Maksimum povlačenja (max drawdown): najgori pad od vrha do dna; ključna mera rizika za toleranciju bankrolla.
  • Hit rate (win %): koliko opklada pobeđuje; nizak hit rate može i dalje biti profitabilan ako su kvote dovoljno visoke.
  • Sharpe ili slični rizik-prilagođeni indikatori: korisni za procenu odnosa povrata i volatilnosti.
  • Brier score i kalibracija: mere koliko su modelovane verovatnoće blizu stvarnih frekvencija — važno za poverenje u p_model.

Brzi checklist pre nego što počnete sa pravim opkladama

  • Proverite da li ste koristili time-based split i izbegli curenje podataka.
  • De-vigujte tržišne kvote pre poređenja ili zabeležite koje kvote zaista prihvatate (razlika utiče na EV).
  • Testirajte više pravila stake-ovanja (fiksni ulog, frakcioni Kelly) i izmerite volatilnost.
  • Ograničite korelacije (ne stavljajte više povezanih opklada istog dana/utakmice bez smanjenja stake-a).
  • Vodite dnevnik opklada i redovno revidirajte performanse; beležite i subjektivne okolnosti (sastavi, povrede).
  • Počnite sa malim bankrollom i skalirajte postepeno kako se konfirmiše edge i stabilnost performansi.

Završne napomene i sledeći koraci

Izgradnja i primena xG modela za value betting je proces učenja i iteracije, ne jednokratan događaj. Najvrednije su navika sistematskog testiranja, iskrenost prema rezultatima (traženje grešaka u modelu, a ne potvrđivanje očekivanja) i disciplinovano upravljanje rizikom. Modelovane verovatnoće su alati za donošenje informisanih odluka, ali ne garantuju kratkoročni profit — zato planirajte za varijansu i očuvajte bankroll.

Nastavite da unapređujete model postepeno: testirajte dodatne feature-e, pratite promene u tržištu i ponašanju timova, kalibrišite verovatnoće i automatski evidentirajte sve ulaze i ishode. Ako strategija pokaže robustan edge kroz više sezona i scenarija, možete razmotriti skaliranje, ali uvek uz dodatne mere kontrole rizika i diversifikacije.

Na kraju, pristupite ovom radu kao dugoročnom projektu — kombinacija tehničke tačnosti, pažljive statističke provere i konzervativnog novčarskog menadžmenta povećava šanse da uspešno iskoristite edge koji vaš xG model izvuče iz javno dostupnih podataka.