امروز در بت سنج قضد داریم تحلیل حرفه ای سرعت رشد سود در شرط بندی رو با هم بررسی کنیم
روش مونت کارلو برای تحلیل حرفه ای سرعت رشد سود در شرط بندی ها یه جور نمونه گیری تصادفی مکرر هست تا بتونیم با استفاده از اون خروجی های عددی رو بدست آورد. از اونجایی که بقیه رویکردهای ریاضی خیلی پیچیده هستند، برای افرادی که شرط بندی می کنن یه جورایی کمتر با روش های تست آماری سنتی آشنا هستن، می تونه مفید باشه چرا که خیلی نیازی به دونستن فرمول های ریاضی نداره.
دومینیک کورتیس قبلا با در نظر گرفتن یک نمونه خاص از پیش بینی مسابقات قهرمانی فرمول ۱، نحوه بکارگیری این روش رو تو شرط بندی های ورزشی مورد استفاده قرار داد.
تحلیل عملکرد شرط بندی
یک پیشینه شرط بندی از روش خِرد جمعیت که در این مقاله استفاده خواهم کرد که شامل ۱۵۲۱ شرط بندی هست و سود حاصل از گردش مالی روی شرط بندی های برابر رو۰٫۷۶٪ نشون می ده. اما چطور می دونم که آیا این نشان دهنده عملکرد یکنواخت، خوش شانس یا بدشانسی هست؟
اولین قدم مقایسه این مورد با انتظار هست. چیز مهم در مورد این روش شرط بندی تخمینهست، که برای هر شرط، با ضریب های شرط بندی منصفانه و به تبع اون میزان ارزش مورد انتظار انجام میشه.
به عنوان مثال، برای ضریب منصفانه نرخ گذاری شده ۲٫۰۰، نرخ شرط بندی منتشر شده ۲٫۱۰ ، به من انتظار ارزش ۵٪یا۱٫۰۵ میده (محاسبه شده با ۲٫۱۰ / ۲٫۰۰).
نرخ منصفانه ۲٫۰۰ دلالت بر احتمال ۵۰٪ برد داره. اگر من از هر ۱۰۰ شرط در ۵۰ شرط برنده شم و از این طریق سود ۱٫۱۰یورو رو بدست بیارم در حالی که ۵۰ شرط رو برای از دست دادن – ۱یورو از دست می دم. سود خالص من ۵ دلار (یا۵٪ از حجم معامله ۱۰۰یورویی) هست. به همین ترتیب، ضریب انتشار ۳٫۵۰ برای نرخ منصفانه ۳٫۰۰ انتظار ارزش ۱۶٫۶۷٪ رو به دست میده.
تو جدول زیر انتخاباتی هست که سیستم شرط بندی من شناسایی کرده.
| جدول آربیتراژ | بازیکن 1 | بازیکن 2 | حاشیه سود | پول شرط | سود |
| ضرائب سایت شرط بندی اِیBA)) | 1.300 | 3.930 | 102.4% | 26.54 | 4.30 |
| ضرائب سایت شرط بندی بیBB)) | 1.420 | 2.900 | 104.9% | 73.46 | 4.31 |
| یربیتراژ (ترکیب بازیکن 1/ بازیکن 2/ و (بی بی) (بی اِی) | 1.420 | 3.930 | 95.9% (4.1% حاشیه سودی) | 100 |
* ضرایب پیناکل با حاشیه سود حذف شده
براییک پیشینه شرط بندی کامل کار سختی قرار نیست انجام بدید، این کار خیلی ساده تر از اون چیزی هست که فکر کنید/ برای پیشینه۱۵۲۱ شرط بندی من، ۴٫۰۴٪ بود، به این معنی که اگر سیستم شرط بندی من دقیقا همونطور که پیش بینی کرده بودم عمل می کرد، سود مورد انتظار من ۶۱٫۴۵یورو از ۱۵۲۱یوروی شرط بندی شده میشد.
در واقعیت، پیشینه بازده ۱۱٫۶۱یورو رو نشون می داد. روشنه که از جهت شانس بد کارکردی کمتر از انتظار داشت – البته با فرض درست کار کردن مدل من. سوال اینجاست که چه مقدار. اینجاست که مونت کارلو به کمک میاد؟
اجرای شبیه سازی مونت کارلو در اکسل
اجرای شبیه سازی مونت کارلو تو یه نرم افزاریمثل اکسل خیلی سادست:
احتمال مورد انتظار برد برای هر شرط محاسبه کنید، که به صورت عددی اعشاری بین۰ و ۱نشون داده شده. این امر به سادگی برعکس ضریب منصفانه هست.
از تابع RAND Excel استفاده کنید تا یک عدد تصادفی بین۰ تا ۱ برای هر شرط تولید کنید. برای تعیین اینکه آیا هر شرط بندیتو شبیه سازی ما برنده میشهیا میبازه، ما به سادگی از اکسل میپرسیم که آیا تعداد تصادفی مرتبط با هر شرط کمتر از حد انتظار برد هست یا نه. اگر این طور باشه، ما سود شرط بندی برابر مساوی با ضریب رو تعیین میکنیم = ۱٫ اگر این جوری نباشه ما ضرر شرط بندی برابر مساوی با -۱ تعیین میکنیم.
سود و ضررهای انفرادی رو برای همه شرط ها تو شبیه سازی برای محاسبه حاصل، جمع کنید. برای شرط بندی برابر، به سادگی سود رو بر تعداد شرط ها تقسیم کنید.
برای تازه کردن شماره های تصادفی برای تعداد مشخصی شبیه سازی، از عملکرد جدول داده هایExcel استفاده کنید.
دو مرحله اول شرط بندی های من تو این جدول نشون داده شده:
| جدول آربیتراژ | بازیکن 1 | بازیکن 2 | حاشیه سود | پول شرط | سود |
| ضرائب سایت شرط بندی اِی (BA) | 1.300 | 3.930 | 102.4% | 26.54 | 4.30 |
| ضرائب سایت شرط بندی بیBB)) | 1.420 | 2.900 | 104.9% | 73.46 | 4.31 |
| یربیتراژ (ترکیب بازیکن 1/ بازیکن 2/ و (بی بی) (بی اِی) | 1.420 | 3.930 | 95.9% (4.1% حاشیه سودی) | 100 |
فشار دادن کلیدF9، براییک شبیه سازی کاملا جدید و نمونه نظری حاصله جدید، تمام اعداد تصادفی رو دوباره محاسبه می کنه. هر بار که شبیه سازی جدیدی رو انجام می دیم می تونیم به طور دستی از حاصل اون رو یادداشت برداری کنیم، اما اگر بخوایم برای صدها یا هزاران بار اینکار رو انجام بدیم این کار بسیار پر زحمت و وقت گیر خواهد بود.
خوشبختانه، اکسل با استفاده از عملکرد جدول داده، روشی سریع و آسان را برای اجراییکباره بسیاری از شبیه سازی ها به شما ارائه می ده. شما می تونید اینرو تو ادرسData> What If Analysis> Data Table پیدا کنید.
تو مرحله بعد تعدادی سلول رو که می خواید مقادیر حاصلی رو برای شبیه سازی های جدید پر کنید، همراه با یک ستون تو سمت چپ، هایلایت کنید.
تو مرحله بعد جدول داده ها تو اکسل باز کنید. جعبه ای مثل جدول زیر می بینید که بهشColumn input cell گفته میشه. به سادگییک مرجع سلولی رو تایپ کنید. این سلول می تونه هر سلولی باشه، مشروط بر اینکهیکی از سلول های هایلایت شده شما از مرحله قبل نباشه.
روی تاییدکلیک کنید و Excel رو تو حال اجرای جادوی خود نگاه کنید. سلول های هایلایت شده تو زیر اولین سلول با حاصل های محاسبه شده جدید پر می شن، هر کدوم نشوندهنده یک اجرای شبیه سازی هستند. تو این مثال، شش شبیه سازیانجام گرفته که تو عکس مشاهده کنید.
در حقیقت با استفاده از این داده ها می توانید از Excel برای محاسبه احتمال دستیابی به هر آستانه حاصل خاص، بدون نیاز به توسل به هرگونه آزمایش آماری، استفاده کرد. روش مونت کارلو همه این کارها رو برای ما انجام داده.
توزیع کامل ۱۰۰۰۰۰ حاصل شبیه سازی شده تو نمودار زیر (با افزایش۰٫۱ درصدی در امتداد محور x) ترسیم شده. برای کسانی که با توزیع عادی آشنا هستن، می تونید ببینید که این تقریبا شبیه هم هستن.
البته، اگر حاصل واقعی من مثلاً -۵٪یا بدتر باشه (که انتظار می ره فقط تو۱٪ موارد اتفاق بیفتد)، ممکنه این سوال پیش بیاد که آیا سیستم شرط بندی من در عوض ناقص بوده یا خیر. بنابراین، روش مونت کارلو به روشنی ابزاری مفید برای کمک به چنین ارزیابی های ذهنیهست.
سیستم شرط بندی ناقص در برابر شانس بد
نکته کلیدی دیگه ای که از این عمل میتوان برداشت کرد، تاثیریهست که شانس بد می تونه بر روی شرط بندان مثبت اندیش، در نسبت به پیشینه های شرط بندی نسبتا بزرگ داشته باشه. پیشینه من به اندازه بیش از ۱۵۰۰ شرط و انتظار پیش بینی شده بیش از ۴٪هست. علیرغم این مزیت، شبیه سازی های مونت کارلو نشون داد که من هنوز هم ممکنه تو بیشتر از یکی از پنج رخداد بازنده بشم.
اگر با استراتژی شرط بندی خودتونیک مزیت مشابه داشتید، پس از ۱۵۰۰ شرط بندی و هیچ چیزی برای نشون دادنش احساس نمی کنید: به روش خود اطمینان خواهید داشت، شانس بد رو مقصر عملکرد بد میگذارید،یا ایمان خود رو نسبت به کل رویکردتون از دست می دهید؟
یکی از راه های کمک به حل چنین معضلی، افزایش حجم نمونه هست. باز هم، ما می تونیم با روش مونت کارلو بازی کنیم تا ببینیم که وقتییک پیشینه شرط بندی رشد می کنه، چطور اوضاع تغییر می کنه.
ارزیابی نتایج شبیه سازی مونت کارلو
هرچه پیشینه شرط بندی من بزرگتر باشه، احتمالش بیشتره که عملکرد واقعی به انتظار نزدیکتر بشه،البته با فرض اینکه روش پیش بینی من همونطور که باید کار میکنه. نتیجه فرعی اینهست که، اگر بعد از گذشت ۱۵۰۰۰ شرط، حاصلی۰٫۷۶ درصدییا بدتر از اون داشته باشم، به طور جدی از خود میپرسم که آیا اینطور بوده یا نه!
در نهایت، روش مونت کارلو نمی تونه به طور قطعی به شما بگیه که آیا سیستم شرط بندی شما چیزی فراتر از تاثیر شانس در اختیار دارد یانه!
با این وجود، این روش یک ابزار مفید برای کمک به شما، در جهت قضاوت آگاهانه در این رابطه ارائه می دهو طیفی از نتایج احتمالی رو که از نظر منطقی در بستر خوش و بد شانسی انتظار دیدن اون دارید در اختیار میگذاره!
مقالات دیگر ما رو در بت سنج دنبال کنید
