""" 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)