Дисперсия в ставках: почему серия проигрышей не означает, что прогнозы плохие

Пять проигрышных прогнозов подряд — неприятно. Но означает ли это, что модель ошибается и перестала работать? Не обязательно.

В футболе даже событие с вероятностью 70% иногда не происходит. Фавориты проигрывают, команды не реализуют моменты, а матч с ожидаемыми тремя голами заканчивается 0:0.

Это не обязательно ошибка прогноза. Это проявление случайности, которую в анализе ставок часто называют дисперсией.

Разберём, почему прибыльные на длинной дистанции решения могут приводить к убыткам на короткой, сколько проигрышей подряд возможно даже при высокой точности и как понять, когда результаты действительно дают повод пересмотреть прогнозы.

Что такое дисперсия простыми словами

Представим, что вы подбрасываете обычную монету. Вероятность орла — 50%.

Если подбросить её десять раз, результат необязательно будет ровно пять орлов и пять решек. Может оказаться семь орлов и три решки. Или наоборот.

При этом вероятность выпадения орла не изменилась.

В футболе действует похожий принцип. Если прогноз оценивает победу команды в 60%, это не значит, что команда обязана выигрывать ровно шесть из каждых десяти матчей.

Она может выиграть четыре. Может выиграть восемь. На небольшой выборке оба результата возможны.

Дисперсия описывает разброс результатов относительно ожидаемого значения. В ставках этим словом часто называют и более широкое явление — случайные колебания проходимости и прибыли.

Главное: вероятность события и результат конкретного матча — разные вещи.

Как появляются серии проигрышей

Допустим, модель правильно оценивает вероятность каждого прогноза в 60%.

Тогда вероятность проигрыша одной ставки равна 40%.

При условии, что исходы независимы друг от друга, вероятность нескольких поражений подряд рассчитывается умножением:

Пять последовательных проигрышей выглядят почти невероятными. Но вероятность 1,02% относится к пяти заранее выбранным ставкам.

Если сделать сотни ставок, появится много возможных отрезков по пять матчей. Поэтому вероятность хотя бы раз столкнуться с подобной серией будет значительно выше.

Есть и ещё одно условие: в реальных футбольных прогнозах вероятности различаются, а некоторые ставки могут зависеть от одних и тех же событий. Поэтому таблица — иллюстрация, а не универсальный прогноз длины проигрышной серии.

Редкое событие на коротком отрезке не обязательно остаётся редким на длинной дистанции.

Почему хорошая модель может временно показывать убыток

Рассмотрим пример.

Предположим, модель действительно определяет события с вероятностью 60%, а букмекер предлагает на них коэффициент 1.80.

Справедливый коэффициент при такой вероятности:

100 / 60 = 1.67

Коэффициент 1.80 выше справедливого. При фиксированной ставке и правильной оценке вероятности математическое ожидание составляет +8% от суммы каждой ставки.

Но это ожидание, а не гарантированный заработок.

Представим десять ставок по 1 000 ₽.

Модель предположительно имеет положительное математическое ожидание, но конкретная серия закончилась убытком 28%.

Это не противоречие. Математическое ожидание описывает средний результат множества повторений при заданных условиях, а не обязательный итог ближайших десяти матчей.

Конечно, сам факт убытка не доказывает, что модель хорошая. Как и сам факт прибыли не доказывает, что она точная.

Почему высокая проходимость не защищает от неудачных серий

Рассмотрим прогнозы с разными вероятностями успеха.

Даже если каждый прогноз имеет реальную вероятность успеха 80%, серия из пяти поражений теоретически возможна.

Но чем выше вероятность, тем менее вероятна такая серия при прочих равных.

Важно и другое: высокая проходимость не означает высокую доходность.

Например, модель может угадывать 80% событий, но если средний коэффициент составляет 1.15, этого недостаточно для безубыточности при одинаковом размере ставок. Для коэффициента 1.15 необходима проходимость примерно 86,96%.

Поэтому оценивать прогнозы только по количеству побед нельзя. Нужно учитывать и коэффициенты.

Почему 10 или 20 матчей — слишком мало для серьёзных выводов

Представим две модели.

Первая за 20 матчей угадала 15 исходов — 75%.

Вторая угадала 11 исходов — 55%.

На первый взгляд первая значительно лучше.

Но мы не знаем, какие вероятности они выдавали, какие коэффициенты предлагались и насколько сложными были выбранные события.

Возможно, первая модель прогнозировала очевидных фаворитов с коэффициентами около 1.20, а вторая работала с более сложными исходами по 2.00.

Кроме того, даже у одной и той же модели результаты на двадцати матчах могут существенно отличаться от долгосрочных.

Чем больше независимых наблюдений, тем меньше влияние случайных колебаний на общую оценку проходимости. Но сама по себе большая выборка не устраняет систематические ошибки модели.

Поэтому не существует универсального числа ставок, после которого модель автоматически считается хорошей или плохой. Необходимый объём данных зависит от размера предполагаемого преимущества, распределения коэффициентов и изменчивости результатов.

Насколько широк разброс проходимости на вашей выборке, можно посмотреть в калькуляторе доверительного интервала проходимости.

Как отличить дисперсию от плохих прогнозов

Это главный вопрос.

Проигрышная серия может быть обычным случайным отклонением. Но может быть и признаком того, что модель неправильно оценивает вероятности.

Чтобы разобраться, нужно смотреть не только на выигранные и проигранные ставки.

1. Проверять соответствие прогнозируемых вероятностей результатам

Допустим, модель выдала 500 прогнозов с вероятностями около 70%.

Если примерно 70% таких событий произошли, это согласуется с хорошей калибровкой модели.

Если реализовалось только 50%, возникнет серьёзный повод проверить её оценки.

Такая проверка называется калибровкой вероятностей.

Важный нюанс: сравнивать нужно достаточно большие группы прогнозов, учитывать их реальные вероятности и статистическую неопределённость. Небольшое расхождение ещё не означает ошибку.

2. Анализировать не только процент побед, но и коэффициенты

Модель может стабильно угадывать 65% матчей и всё равно показывать отрицательный ROI.

И наоборот, при более высоких коэффициентах положительный результат математически возможен с меньшим процентом побед.

Для оценки ставок важны одновременно вероятность события, цена ставки и фактический результат.

3. Сравнивать прогнозы с букмекерской линией

Букмекерские коэффициенты — полезная точка сравнения.

Если модель регулярно оценивает событие в 70%, а букмекерская линия без маржи — в 50%, стоит выяснить, откуда возникло столь большое расхождение.

Это не означает, что букмекер всегда прав. Но устойчивые расхождения требуют проверки на исторических данных.

При этом сравнение с линией само по себе не доказывает прибыльность. Для этого нужны отдельные испытания на данных, которые модель не использовала при разработке.

4. Проверять результаты на новых матчах

Один из наиболее надёжных способов оценки — фиксировать прогнозы до начала событий и затем проверять их на новых результатах.

В идеале сохраняются:

• время выпуска прогноза;
• прогнозируемая вероятность;
• коэффициент, доступный на тот момент;
• выбранный рынок;
• фактический результат.

Так можно отличить реальные результаты модели от красивой статистики, полученной после подгонки под историю.

Опасная ошибка: пытаться отыграться после проигрышей

После нескольких поражений легко подумать: «Теперь-то прогноз должен зайти».

Но предыдущие неудачи сами по себе не повышают вероятность успеха следующего независимого события.

Если вероятность исхода составляет 60%, то пять предыдущих поражений не превращают её в 80% или 90%.

Это распространённое когнитивное искажение — ошибка игрока.

Особенно опасно увеличивать размер ставки только потому, что предыдущие прогнозы не прошли. Такая стратегия не исправляет качество прогнозов, зато резко увеличивает возможный убыток.

Серия поражений — не основание считать, что следующий прогноз обязан оказаться выигрышным.

Когда серия проигрышей действительно должна насторожить

Не стоит объяснять дисперсией абсолютно любой плохой результат.

Поводом для дополнительной проверки могут быть ситуации, когда:

• фактическая проходимость продолжительное время существенно ниже прогнозируемой;
• ошибки повторяются на конкретных рынках, лигах или диапазонах коэффициентов;
• качество вероятностных прогнозов ухудшается на новых данных;
• модель систематически переоценивает фаворитов или недооценивает аутсайдеров;
• результаты выглядят хорошими только на истории, по которой модель настраивали.

Даже в этих случаях сначала нужно оценить статистическую значимость отклонений и качество исходных данных.

Главный принцип — не игнорировать проигрыши, но и не делать выводы о модели по нескольким неудачным матчам.

Что нужно запомнить

1. Даже прогноз с вероятностью 80% может проиграть.
2. Серии поражений возникают естественным образом даже у хорошо откалиброванных моделей.
3. Пять неудачных ставок подряд сами по себе ничего не доказывают.
4. Положительное математическое ожидание не гарантирует прибыль на короткой дистанции.
5. Проходимость необходимо анализировать вместе с коэффициентами.
6. Качество прогнозов лучше оценивать через калибровку, вероятностные метрики и независимую историю.
7. Увеличивать ставки после проигрышей в надежде на неизбежный выигрыш — опасная ошибка.

Вывод

Хороший прогноз — не тот, который обязательно сбывается, а тот, который правильно оценивает вероятность события.

Если событие имеет вероятность 60%, оно должно не происходить примерно в 40% случаев на большой сопоставимой выборке. Это не сбой модели, а естественная часть вероятностного прогнозирования.

Поэтому одна неудачная серия не делает модель плохой. Но и длинная победная серия не доказывает её качество.

Чтобы оценивать футбольные прогнозы объективно, необходимо смотреть на достаточно длительную историю, сравнивать ожидаемые вероятности с реальными результатами и учитывать коэффициенты.

Именно такой подход помогает отделять случайность от систематических ошибок.