File size: 8,376 Bytes
ccad19a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a607051
 
 
ccad19a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
"""
analysis.py — математика xG Master Bot.

Включает:
  - Poisson-модель для 1X2, тоталов, BTTS.
  - Снятие маржи букмекера (power-метод) для fair-odds.
  - Kelly criterion с верхней планкой.
  - Сборку value-picks из модельных вероятностей и коэффициентов.
"""

from __future__ import annotations

import math
from dataclasses import dataclass
from typing import Optional

import numpy as np
from scipy.stats import poisson

from config import config
from data_sources import Odds


MAX_GOALS = 10


# ────────────────────────────────────────────────────────────────
# Poisson-модель (1X2, тоталы, BTTS)
# ────────────────────────────────────────────────────────────────
def _score_matrix(home_xg: float, away_xg: float) -> np.ndarray:
    home_xg = max(0.05, home_xg)
    away_xg = max(0.05, away_xg)
    h = np.array([poisson.pmf(i, home_xg) for i in range(MAX_GOALS)])
    a = np.array([poisson.pmf(i, away_xg) for i in range(MAX_GOALS)])
    return np.outer(h, a)


def poisson_probs(home_xg: float, away_xg: float) -> dict:
    m = _score_matrix(home_xg, away_xg)
    p_home = float(np.sum(np.tril(m, -1)))
    p_draw = float(np.sum(np.diag(m)))
    p_away = float(np.sum(np.triu(m, 1)))

    # Тотал 2.5: суммируем клетки, где i+j >= 3
    over_2_5 = 0.0
    for i in range(MAX_GOALS):
        for j in range(MAX_GOALS):
            if i + j >= 3:
                over_2_5 += m[i, j]
    over_2_5 = float(over_2_5)
    under_2_5 = max(0.0, 1.0 - over_2_5)

    # BTTS = 1 - P(home=0) - P(away=0) + P(both=0)
    p_h0 = float(np.sum(m[0, :]))
    p_a0 = float(np.sum(m[:, 0]))
    p_00 = float(m[0, 0])
    btts_yes = max(0.0, 1.0 - p_h0 - p_a0 + p_00)
    btts_no = max(0.0, 1.0 - btts_yes)

    return {
        "home": p_home, "draw": p_draw, "away": p_away,
        "over_2_5": over_2_5, "under_2_5": under_2_5,
        "btts_yes": btts_yes, "btts_no": btts_no,
    }


# ────────────────────────────────────────────────────────────────
# Fair odds из рынка (power-метод снятия маржи)
# ────────────────────────────────────────────────────────────────
def implied_probs_fair(odds_list: list[float]) -> list[float]:
    """Power-метод: находит k, такое что sum(1/o)^k = 1."""
    odds = [o for o in odds_list if o and o > 1]
    if len(odds) < 2:
        return [1.0 / o if o > 1 else 0.0 for o in odds_list]

    def f(k: float) -> float:
        return sum(math.pow(1.0 / o, k) for o in odds) - 1.0

    lo, hi = 0.5, 2.0
    for _ in range(60):
        mid = (lo + hi) / 2
        if f(mid) > 0:
            lo = mid
        else:
            hi = mid
    k = (lo + hi) / 2
    return [math.pow(1.0 / o, k) if o and o > 1 else 0.0 for o in odds_list]


def fair_odds_from_probability(prob: float) -> float:
    if prob <= 0:
        return 0.0
    return round(1.0 / prob, 2)


# ────────────────────────────────────────────────────────────────
# Kelly-критерий
# ────────────────────────────────────────────────────────────────
def kelly_stake(bank: float, prob: float, book_odds: float, cap: Optional[float] = None) -> float:
    """Дробный Kelly, ограниченный cap (по умолчанию — config.kelly_cap)."""
    if cap is None:
        cap = config.kelly_cap
    if bank <= 0 or book_odds <= 1 or prob <= 0:
        return 0.0
    edge = prob * book_odds - 1
    if edge <= 0:
        return 0.0
    fraction = min(edge / (book_odds - 1), cap)
    fraction = max(0.0, fraction)
    return round(bank * fraction, 2)


# ────────────────────────────────────────────────────────────────
# Сборка value-picks
# ────────────────────────────────────────────────────────────────
@dataclass
class Pick:
    market: str           # "1X2" / "TOTAL_2_5" / "BTTS"
    pick: str             # человекочитаемый лейбл
    probability: float    # модельная вероятность (0..1)
    book_odds: float      # коэф букмекера
    fair_odds: float      # 1 / probability
    edge: float           # probability * book_odds - 1
    recommended_stake: float


def _pack(market: str, label: str, prob: float, book: float, bank: float) -> Optional[Pick]:
    if book <= 1 or prob <= 0:
        return None
    fair = fair_odds_from_probability(prob)
    edge = prob * book - 1
    if edge < config.min_edge:
        return None
    stake = kelly_stake(bank, prob, book)
    if stake <= 0:
        return None
    return Pick(
        market=market, pick=label, probability=prob,
        book_odds=round(book, 2), fair_odds=fair,
        edge=round(edge, 3), recommended_stake=stake,
    )


def build_value_picks(home: str, away: str, odds: Odds, model: dict, bank: float) -> list[Pick]:
    """Возвращает все value-ставки, отсортированные по edge (убывание)."""
    candidates: list[Optional[Pick]] = [
        _pack("1X2", f"Победа {home}", model["home"], odds.home, bank),
        _pack("1X2", "Ничья", model["draw"], odds.draw, bank),
        _pack("1X2", f"Победа {away}", model["away"], odds.away, bank),
        _pack("TOTAL_2_5", "Тотал больше 2.5", model["over_2_5"], odds.over_2_5, bank),
        _pack("TOTAL_2_5", "Тотал меньше 2.5", model["under_2_5"], odds.under_2_5, bank),
        _pack("BTTS", "Обе забьют — Да", model["btts_yes"], odds.btts_yes, bank),
        _pack("BTTS", "Обе забьют — Нет", model["btts_no"], odds.btts_no, bank),
    ]
    picks = [p for p in candidates if p is not None]
    picks.sort(key=lambda p: p.edge, reverse=True)
    return picks


def best_value_pick(home: str, away: str, odds: Odds, model: dict, bank: float) -> Optional[Pick]:
    picks = build_value_picks(home, away, odds, model, bank)
    return picks[0] if picks else None


# ────────────────────────────────────────────────────────────────
# Оценка xG из коэффициентов (грубая аппроксимация)
# ────────────────────────────────────────────────────────────────
def xg_from_odds(odds: Odds) -> tuple[float, float]:
    """Если у нас нет xG-данных, оценим их из рыночных 1X2.
    Используем простой итеративный подбор lambda_home, lambda_away,
    чтобы poisson_probs матчило рыночным fair-probs."""
    if not odds.has_1x2():
        return 1.4, 1.2
    fair = implied_probs_fair([odds.home, odds.draw, odds.away])
    p_home, _, p_away = fair[0], fair[1], fair[2]

    # Начальная оценка через медианные xG в топ-лигах (~1.4 home / 1.2 away)
    lh, la = 1.4, 1.2
    for _ in range(80):
        m = poisson_probs(lh, la)
        err_h = p_home - m["home"]
        err_a = p_away - m["away"]
        lh = max(0.2, min(4.0, lh + err_h * 1.2))
        la = max(0.2, min(4.0, la + err_a * 1.2))
    return round(lh, 2), round(la, 2)