Predikce výsledků fotbalových zápasů v reálném čase

Abstract

Tato práce se zabývá problematikou predikce výsledků fotbalových zápasů v reálném čase. Skládá se z několika kroků, včetně získání vhodného souboru dat a trénování predikčního modelu. Predikční model je reprezentován dvěma typy neuronových sítí: dopředné a rekurentní, která je představená LSTM. Různé kombinace vstupních parametrů jsou testovány pro dosažení nejlepšího výkonu modelů, včetně dostupných sázkových kurzů. Oba modely dosáhly klasifikační přesnosti přibližně 67,5%, kde dopředná neuronová síť začíná od přesnosti 54% na začátku zápasu a dosahuje přesnosti 93,54% na konci zápasu. Kromě široce používaných metrik, jako je kategorická přesnost, každý model je vyhodnocován v simulovaném sázkovém prostředí.Experimenty v rámci hodnocení sázek ukázaly, že LSTM nemůže konkurovat dopředným neuronovým sítím, jelikož v každém sázkovém běhu skončila LSTM s bilancí nižší než o 90%. Dopředná neuronová síť však dosáhla návratnosti investic ve výši 0,39% při provádění simulace sázení s jednou z testovacích konfigurací. Výsledkem je, že neuronové sítě, zejména dopředné, se ukázaly jako docela úspěšné řešení, pokud jde o předpovídání výsledků fotbalových zápasů v reálném čase. Navíc, dopředná neuronová síť může posloužit jako základ pro úspěšnou strategii sázení.This thesis studies the problem of real-time football matches results prediction. It consists of several steps, including the acquisition of suitable dataset and training of the prediction model. The prediction model is represented by two types of neural networks: feedforward and LSTM recurrent neural network. Different combinations of input features are tested to achieve the best performing model. Both models achieved a classification accuracy of about 67.5%, where feedforward network accuracy starts from 54% at the beginning of the match and achieve 93.54% by the end of the match. In addition to widely-used metrics such as categorical accuracy and log-loss, each model is evaluated in the simulated betting environment.Experiments within betting evaluation have shown that LSTM can't compete with feedforward network, as in each betting run LSTM network ended up with a balance, dropped by more than 90%. However, the feedforward network achieved an ROI (return on investment) of 0.39% in a betting simulation run with one of the configurations. As a result, a neural network approach, especially the feedforward network, has proved to be quite successful in terms of predicting real-time football matches results. Moreover it allowed to build a profitable betting strategy upon it.