AI-системы для фэнтези-спорта и ставок
Спортивная аналитика с ML — это предсказание исходов через моделирование реальных процессов: физическое состояние игрока, форма команды, исторические матчапы, venue-фактор, погода. Фэнтези-платформы используют эти же модели для скоринга, подбора составов и оценки игроков.
Предсказание результатов матчей
import numpy as np
import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier, GradientBoostingRegressor
from sklearn.calibration import CalibratedClassifierCV
import json
class MatchOutcomePredictor:
"""
Предсказание исхода матча: Win/Draw/Loss + xG (Expected Goals).
Базируется на ELO, форме команды, home advantage, матчапах.
"""
ELO_K = 32
HOME_ADVANTAGE = 100 # ELO points
def __init__(self):
# Модель для вероятностей исходов
self.outcome_model = CalibratedClassifierCV(
GradientBoostingClassifier(n_estimators=300, learning_rate=0.05, random_state=42),
method='isotonic', cv=5
)
# Регрессионная модель для xG
self.xg_model = GradientBoostingRegressor(
n_estimators=200, learning_rate=0.05, random_state=42
)
self.elo_ratings = {}
def update_elo(self, home_team: str, away_team: str,
outcome: str) -> tuple:
"""Обновление ELO рейтинга после матча"""
home_elo = self.elo_ratings.get(home_team, 1500)
away_elo = self.elo_ratings.get(away_team, 1500)
home_elo_adj = home_elo + self.HOME_ADVANTAGE
p_home_win = 1 / (1 + 10 ** ((away_elo - home_elo_adj) / 400))
p_away_win = 1 - p_home_win
if outcome == 'home_win':
home_result, away_result = 1.0, 0.0
elif outcome == 'away_win':
home_result, away_result = 0.0, 1.0
else: # draw
home_result, away_result = 0.5, 0.5
new_home_elo = home_elo + self.ELO_K * (home_result - p_home_win)
new_away_elo = away_elo + self.ELO_K * (away_result - p_away_win)
self.elo_ratings[home_team] = new_home_elo
self.elo_ratings[away_team] = new_away_elo
return new_home_elo, new_away_elo
def build_match_features(self, home_team: str, away_team: str,
match_context: dict,
team_stats: dict) -> np.ndarray:
"""Feature-вектор для матча"""
home_elo = self.elo_ratings.get(home_team, 1500)
away_elo = self.elo_ratings.get(away_team, 1500)
home_stats = team_stats.get(home_team, {})
away_stats = team_stats.get(away_team, {})
return np.array([
# ELO и форма
home_elo - away_elo, # ELO разница
home_elo + self.HOME_ADVANTAGE - away_elo, # Скорректированная разница
home_stats.get('form_5_games', 0.5), # Форма: очки/возможные последние 5
away_stats.get('form_5_games', 0.5),
home_stats.get('form_trend', 0), # Тренд формы
# Атака/защита
home_stats.get('goals_scored_avg', 1.5),
home_stats.get('goals_conceded_avg', 1.2),
away_stats.get('goals_scored_avg', 1.5),
away_stats.get('goals_conceded_avg', 1.2),
home_stats.get('xg_for_avg', 1.4),
home_stats.get('xg_against_avg', 1.1),
# Контекст
int(match_context.get('is_cup', False)),
int(match_context.get('is_derby', False)),
match_context.get('home_fatigue_days', 7), # Дней с последнего матча
away_stats.get('travel_distance_km', 0) / 1000,
# Исторические матчапы
match_context.get('h2h_home_win_rate', 0.4),
match_context.get('h2h_goals_avg', 2.5),
])
def predict_outcome(self, home_team: str, away_team: str,
match_context: dict, team_stats: dict) -> dict:
"""Вероятности исходов матча"""
features = self.build_match_features(home_team, away_team, match_context, team_stats)
probs = self.outcome_model.predict_proba(features.reshape(1, -1))[0]
return {
'home_win': round(float(probs[0]), 3),
'draw': round(float(probs[1]), 3),
'away_win': round(float(probs[2]), 3),
'expected_goals_home': round(float(self.xg_model.predict(features.reshape(1, -1))[0]), 2),
'home_elo': self.elo_ratings.get(home_team, 1500),
'away_elo': self.elo_ratings.get(away_team, 1500)
}
class PlayerPerformancePredictor:
"""Предсказание показателей игрока для фэнтези"""
def predict_fantasy_points(self, player: dict,
match_context: dict,
season_stats: pd.DataFrame) -> dict:
"""
Прогноз фэнтези-очков для игрока в конкретном матче.
Учитывает позицию, форму, оппонента, venue.
"""
player_stats = season_stats[season_stats['player_id'] == player['id']]
if player_stats.empty:
return {'expected_points': 0, 'confidence': 'low'}
# Скользящие средние показателей
recent = player_stats.sort_values('date').tail(5)
avg_stats = {
'goals_per_game': recent['goals'].mean(),
'assists_per_game': recent['assists'].mean(),
'shots_per_game': recent['shots'].mean(),
'minutes_per_game': recent['minutes_played'].mean(),
'key_passes': recent.get('key_passes', pd.Series([0])).mean(),
}
# Поправка на качество оппонента
opp_defensive_rank = match_context.get('opponent_defensive_rank', 10) # 1=лучшая
difficulty_multiplier = 1.0 + (opp_defensive_rank - 10) * 0.02 # ±0.2 от ранга
# Поправка на форму
form_factor = recent['fantasy_points'].mean() / max(
player_stats['fantasy_points'].mean(), 0.1
)
form_factor = float(np.clip(form_factor, 0.7, 1.3))
# Позиционная формула
position_multiplier = {
'GK': 0.8, 'DEF': 1.0, 'MID': 1.2, 'FWD': 1.1
}.get(player.get('position', 'MID'), 1.0)
# Базовые очки
expected_points = (
avg_stats['goals_per_game'] * 4 +
avg_stats['assists_per_game'] * 3 +
avg_stats['shots_per_game'] * 0.3 +
(avg_stats['minutes_per_game'] / 90) * 2
) * difficulty_multiplier * form_factor * position_multiplier
# Вероятность выйти в стартовом составе
starting_prob = player.get('starting_probability', 0.9)
return {
'player_id': player['id'],
'player_name': player.get('name', ''),
'position': player.get('position', ''),
'expected_points': round(expected_points * starting_prob, 2),
'expected_if_starts': round(expected_points, 2),
'starting_probability': starting_prob,
'form_factor': round(form_factor, 2),
'difficulty_multiplier': round(difficulty_multiplier, 2),
'confidence': 'high' if len(player_stats) >= 10 else 'medium'
}
class FantasyTeamOptimizer:
"""Оптимизация состава фэнтези-команды"""
def optimize_lineup(self, player_predictions: list[dict],
budget: float,
formation: str = '4-3-3') -> dict:
"""
Линейное программирование для максимизации ожидаемых очков
при бюджетных и позиционных ограничениях.
"""
from scipy.optimize import linprog
formation_requirements = {
'4-3-3': {'GK': 1, 'DEF': 4, 'MID': 3, 'FWD': 3},
'4-4-2': {'GK': 1, 'DEF': 4, 'MID': 4, 'FWD': 2},
'3-5-2': {'GK': 1, 'DEF': 3, 'MID': 5, 'FWD': 2},
}
requirements = formation_requirements.get(formation, formation_requirements['4-3-3'])
# Жадный подбор (greedy) как быстрый heuristic
selected = []
remaining_budget = budget
position_slots = dict(requirements)
# Сортируем по expected_points / price
sorted_players = sorted(
player_predictions,
key=lambda p: p['expected_points'] / max(p.get('price', 5), 0.1),
reverse=True
)
for player in sorted_players:
pos = player.get('position', 'MID')
if position_slots.get(pos, 0) <= 0:
continue
if player.get('price', 5) > remaining_budget:
continue
selected.append(player)
position_slots[pos] -= 1
remaining_budget -= player.get('price', 5)
if all(v == 0 for v in position_slots.values()):
break
total_expected = sum(p['expected_points'] for p in selected)
total_cost = budget - remaining_budget
return {
'lineup': selected,
'total_expected_points': round(total_expected, 2),
'total_cost': round(total_cost, 1),
'remaining_budget': round(remaining_budget, 1),
'formation': formation
}
Ответственный гейминг
Ставки и фэнтези-системы требуют интеграции RG (Responsible Gambling) инструментов: мониторинг паттернов чрезмерных ставок (резкий рост объёма, ставки после крупных проигрышей, ночные сессии), автоматические лимиты, самоисключение. Это не опционально — регуляторное требование в большинстве юрисдикций.
Точность предсказания исходов футбольных матчей: AUC 0.72-0.78 (рынок эффективен, абсолютного перевеса нет). Ценность ML — в точной оценке вероятностей для выявления overvalued/undervalued ставок против линии букмекера.