Meggyőződésünk, hogy a professzionális sportfogadás tanulható: az ösztönös döntési minták strukturált, tudatos stratégiává és következetes, adatalapú módszertanná fejleszthetők.
A Premium, a Value Bets, a Football Factory és a Vegas Pro csoport tagjai mélyreható elemzésekhez és professzionális adatszolgáltatóktól származó információkhoz férnek hozzá, amelyek a megalapozott döntéseket és a hosszú távú, fegyelmezett szemléletet segítik.
Ez az oldal lépésről lépésre bemutatja, hogyan áraz be a Tippmix Info egy kimenetelt: milyen adatokból dolgozunk, milyen modellek alakítják ezeket valószínűséggé, milyen szűrőn kell átjutnia egy lehetőségnek a közzétételig, és hogyan kezeljük a tétet. Legalább ennyire fontos az is, amit a módszer nem állít. Az itt használt fogalmak pontos meghatározása a Fogalomtárban található, eredményeink teljes, utólag nem szerkesztett kimutatása pedig a Statisztika oldalon érhető el.
1. Adatgyűjtés és normalizálás
Minden modellfuttatás két adatfolyamból indul ki: a lefedett bajnokságok csapat- és játékosszintű adataiból, valamint több fogadóiroda – köztük a Tippmix, a TippmixPro és a vegas.hu – folyamatosan frissülő szorzóiból. Mielőtt egyetlen valószínűséget kiszámítanánk, mindkettőt normalizáljuk: figyelembe vesszük a kezdőcsapatokról szóló megerősített híreket, a sérüléseket és az eltiltásokat, a sorsolás sűrűségét, valamint az ismert szerkezeti hatásokat (bajnokságonkénti pályaelőny, játékvezetői hajlamok, utazási távolság), amelyek a nyers számok naiv olvasatát egyébként torzítanák.
A csapatok és a játékosok erejét nem a szezon eleje óta összesített átlagokból olvassuk ki: a sima átlag túlsúlyozza a korai formát, és lassan reagál a keret vagy a taktika szezon közbeni valódi változására. Ehelyett exponenciálisan súlyozott, gördülő ablakokat használunk, így az értékelés követi a friss formát, ugyanakkor elég hosszú mintára támaszkodik ahhoz, hogy egyetlen kiugró eredmény se billentse ki – ez a regresszió az átlag felé elvének tudatos alkalmazása a bemeneti oldalon. Ugyanez a folyamat figyeli az eloszlás-eltolódást is: egy szabálymódosítás, a játékvezetés szigorúságának változása vagy más strukturális törés észrevétlenül elmozdíthatja azt az alapszintet, amelyhez egy bajnokságot kalibráltunk. Ha az eltolódás a kalibrációt érdemben rontja, az érintett bajnokságot a modell újrabecsléséig kivonjuk az ajánlások köréből.
2. Modellegyüttes, nem egyetlen modell
Egyetlen modell sem ragad meg minden releváns jelet, ezért minden kimenetelt több, egymástól független módszerrel árazunk be, majd a becsléseket modellegyüttesben egyeztetjük:
- Poisson-regresszió Dixon–Coles-korrekcióval – a gólalapú piacok (gólszám, mindkét csapat szerez gólt, pontos végeredmény, ázsiai hendikep) alapmodellje a labdarúgásban és a jégkorongban. Egy csapat gólszámát Poisson-eloszlással írjuk le: annak valószínűsége, hogy a csapat λ várható gólszám mellett pontosan k gólt szerez, P(X = k) = e−λλk/k! A várható gólszámot a csapaterősségek log-lineáris függvényeként becsüljük: ln λh = μ + γ + αh − δv, ln λv = μ + αv − δh ahol μ a bajnokság átlagos gólszintje, γ a pályaelőny, α a támadó-, δ a védekezőerő, a h és a v index pedig a hazai, illetve a vendégcsapatot jelöli. A két rátabecslésből felépül a teljes gólszámmátrix, amelyből bármely gólalapú piac összegzéssel árazható. Mivel a két gólszám a valóságban nem teljesen független – az alacsony gólszámú döntetlenek valamivel gyakoribbak, mint a naiv szorzat mutatja –, a négy alacsony gólszámú cellára (0–0, 1–0, 0–1, 1–1) Dixon–Coles-korrekciót alkalmazunk.
- Tempó- és hatékonyságalapú modellek – a kosárlabdában és a magas pontszámú sportágakban a csapatok várható pontszámát a várható támadásszám (tempó) és a támadásonkénti pontszerzési hatékonyság szorzataként becsüljük; a két pontszám együttes eloszlásából pedig az összpontszám- és a hendikeppiacok árazhatók. A pontkülönbség eloszlását sportáganként empirikusan illesztjük, mert a kulcsszámok (például az NFL-ben a 3 és a 7) körül erősen eltér a normális eloszlástól – ezeken a vonalakon egy fél pont is jelentős valószínűség-különbséget jelent.
- Gradiensnövelt döntési fák és neurális hálózatok – olyan nemlineáris, helyzetfüggő kölcsönhatásokat ragadnak meg, amelyeket egy log-lineáris modellnek előre meg kellene adni. A gradiensnövelés sekély döntési fák sorozatát építi fel, amelyek mindegyike az addigi együttes megmagyarázatlan hibáját tanulja meg; a célfüggvény a logaritmikus veszteség, hiszen a kimenet valószínűség, nem pontbecslés. A mély tanulású (deep learning) neurális hálózatok nagy, sokdimenziós adathalmazokban – például játékosszintű eseményadatokban – tárnak fel összefüggéseket. Mindkét módszernél a regularizáció (a fák mélységének korlátozása, kis tanulási ráta, korai leállítás) véd a túlillesztés ellen. Ennek eredménye, hogy olyan kölcsönhatások is előkerülnek, amelyeket senki sem adott meg előre – például hogy a sűrű sorsolás egy hosszú idegenbeli utazással együtt jóval nagyobb hatású, mint a két tényező külön-külön.
- Bayesi frissítés – a kezdéshez közeledve, az új információk (megerősített kezdőcsapat, késői sérüléshírek) beérkezésével frissítjük a korábbi becslést, ahelyett hogy a modell a hét eleji állapotában merevedne meg: P(H | E) ∝ P(E | H) · P(H) ahol H a vizsgált kimenetel, E az új információ. A prior, P(H), a teljes szezon adataira épülő korábbi becslés, a bizonyíték pedig mindaz, ami azóta megváltozott. Így a közzétett valószínűség egyszerre tükrözi a szezon bizonyítékainak súlyát és a legfrissebb híreket, anélkül hogy egyetlen késői adat a kelleténél jobban kilendítené.
Minden módszer valószínűséget és hozzá tartozó bizonytalansági sávot (konfidenciaintervallumot) ad. Ahol a módszerek élesen eltérnek egymástól, maga az eltérés is információ: nem átlagoljuk el, hanem a bizonytalansági sáv szélesedéseként vesszük figyelembe.
3. A valószínűségtől az előnyig
Az egyeztetett modell-valószínűséget a piac árával vetjük össze. Ehhez előbb eltávolítjuk az árrést a szorzókból, hogy a két szám azonos skálán legyen – nem a legegyszerűbb, arányos módszerrel, hanem olyan eljárással, amely a kedvenc–esélytelen torzítást is figyelembe veszi, különben az esélytelenek piaci valószínűségét rendszeresen felülbecsülnénk. A kettő különbsége az előny; a döntés alapja pedig a ténylegesen elérhető szorzón számított várható érték:
EV = p · o − 1
ahol p a modell-valószínűség, o az elérhető tizedes szorzó. A főoldalon bemutatott példában a modell 58,4%-os valószínűséget becsül, az árréstől megtisztított piaci valószínűség 52,4%, az elérhető szorzó 1,82. A valódi szorzó így 1/0,584 ≈ 1,71, a várható érték pedig 0,584 · 1,82 − 1 ≈ +6,3%.
A pozitív várható érték önmagában nem elég. Ajánlás csak akkor születik, ha az előny a modell bizonytalansági sávját is figyelembe véve érdemben pozitív, és a becslés a visszatesztelés során a tranzakciós költségek és a szórás figyelembevétele után is megállta a helyét. A jelölt kimenetelek többsége ezen a szűrőn fennakad, és nem kerül közzétételre.
Mielőtt egy előnyt valósnak tekintenénk, közvetlenül ellenőrizzük a modellegyüttes kalibrációját: azon múltbeli kimenetelek körében, amelyekhez a modell egy adott valószínűséget rendelt, valóban nagyjából ilyen gyakorisággal következett-e be az esemény? Rövid mintán egy rosszul kalibrált modell is mutathat nyereséget pusztán szerencséből, ezért a visszateszteket nem a találati arányon, hanem logaritmikus veszteségen és Brier-pontszámon mérjük, előretekintő validációval – a modell soha nem láthat olyan adatot, amely a vizsgált időpontban még nem állt rendelkezésre. Ahol a történeti minta túl vékony a biztos ítélethez, Monte-Carlo-szimulációval becsüljük meg, milyen eredménysávot produkálhatna puszta szerencséből egy valójában előny nélküli stratégia, és csak az ezen kívül eső előnyt tekintjük valódinak.
A piaci konszenzustól kiugróan eltérő árakat saját fejlesztésű gépi tanulási algoritmus szűri: az ilyen eltérés gyakran nem valódi értéket, hanem elírást vagy elavult árat (line error) jelez, amelyet az iroda utólag érvényteleníthet vagy korrigálhat.
4. Tőkemenedzsment és tétméretezés
Professzionális tőkemenedzsmenttel dolgozunk, rögzített szabályok szerint. Az egység a bankroll rögzített, kis hányada. Tagjainknak a bankroll 1–2%-át javasoljuk egységnek, és semmiképp sem többet 5%-nál. Az egységet nem fogadásról fogadásra számoljuk újra, hanem hosszabb időszakra – legalább egy hónapra – rögzítjük: az újraméretezést az időszak lezárulta váltja ki, nem egy-egy eredmény.
Eredményeinket egységben rögzítjük és közöljük, így a kimutatás a bankroll nagyságától függetlenül érvényes, és az egyes ajánlások teljesítménye egymással összevethető. A tétet nem emeljük veszteség után, és nem csökkentjük nyeremény után: a fegyelem független attól, hogyan zárult az előző fogadás. A veszteségek „visszanyerésére” épülő progresszív rendszerek (például a martingál) a várható értéken nem javítanak, a csődkockázatot viszont drámaian növelik – ez a szerencsejátékos-tévedés klasszikus csapdája.
A Kelly-kritérium – amely a tétet az előnnyel arányosan, a szorzóhoz viszonyítva méretezi – a fix tétes stratégia legitim alternatívája:
f* = (p · o − 1) / (o − 1)
ahol f* a bankroll megteendő hányada. Teljes formájában azonban rendkívül érzékeny a valószínűség-becslés hibáira. A fenti példában (p = 0,584, o = 1,82) a teljes Kelly a bankroll 7,7%-át tenné fel. Ha azonban a valódi valószínűség nem 58,4, hanem csak 56%, a valódi optimum 2,3% – a 7,7%-os tét ennek több mint háromszorosa, ami hosszú távon már a tőke zsugorodásához vezet. A Kelly-alapú tétméretezést ezért saját ajánlásainkra nem alkalmazzuk, és tagjainknak sem javasoljuk. Aki mégis ezt választja, legfeljebb a töredékét (fél vagy negyed Kellyt) alkalmazza, saját döntése és felelőssége alapján.
5. Validáció és nyilvános követés
Minden ajánlást a mérkőzés kezdése előtt teszünk közzé a csoportjainkban, majd a lezárulta után kiértékeljük. Eredményeinket 2022 óta havi bontásban, utólagos korrekció nélkül közöljük a Statisztika oldalon – nettó eredmény egységben és ROI –, pontosan abban a formában, ahogyan a közösség tagjai megkapták őket. A vesztes hónapokat is tartalmazó, teljes kimutatás a túlélési torzítás ellenszere: csak így ítélhető meg, hogy egy eredmény a módszernek vagy a szerencsének köszönhető.
A nyereség ugyanakkor rövid távon rendkívül zajos mérce: 1,90 körüli szorzók mellett 500 ajánlás után is nagyjából ±8 százalékpontos a ROI 95%-os bizonytalansági sávja (lásd: mintanagyság). A modell valódi előnyének gyorsabb és megbízhatóbb mutatója a záró szorzóhoz mért érték (CLV): ha az ajánláskor elért szorzó rendszeresen jobb a záró szorzónál, az erősebb bizonyítéka a működő modellnek, mint egy nyerő sorozat negatív átlagos CLV mellett. Egy modell zsinórban veszíthet több fogadást úgy, hogy közben mindegyiknél megverte a záró szorzót – és ez a kombináció többet árul el, mint bármely rövid nyerő széria. Ezért a CLV-t a nyereség mellett a modell elsődleges minőségi mércéjének tekintjük.
6. A módszer korlátai
Egyetlen kvantitatív modell sem szünteti meg a bizonytalanságot, és a miénkről sem állítjuk ezt. A piacok nem statikusak: szabálymódosítások, új nyilvános adatforrások vagy a piac hatékonyságának javulása előzetes jelzés nélkül is felőrölhet egy visszatesztelésben stabilnak tűnő előnyt. A múltbeli eredmények – a közzétett ROI-t is beleértve – nem garantálják a jövőbeli teljesítményt. Ahol a modell bizonytalansági sávja széles, azt a hallgatás, nem a közzététel indokának tekintjük.
A sportfogadás pénzügyi kockázattal jár. Kizárólag olyan összeggel fogadjon, amelynek elvesztését megengedheti magának, és ha úgy érzi, hogy a játék kicsúszik az irányítása alól, kérjen segítséget – a segítő szervezetek elérhetőségét a Felhasználási Feltételek tartalmazzák. Szolgáltatásaink kizárólag 18. életévüket betöltött személyek részére érhetők el.