Spaces:
Sleeping
Sleeping
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)
|