Koneoppimismallien hyödyntäminen vedonlyönnissä
Rantalainen, Kalle (2024)
2024
Tieto- ja sähkötekniikan kandidaattiohjelma - Bachelor's Programme in Computing and Electrical Engineering
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2024-05-16
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202405145875
https://urn.fi/URN:NBN:fi:tuni-202405145875
Tiivistelmä
Tutkimuksessa tarkastellaan mahdollisuutta hyödyntää koneoppimismalleja, kuten neuroverkkoja, voitollisen vedonlyöntistrategian perustana. Tutkimuksessa keskitytään enimmäkseen jalkapallovedonlyöntiin lajin suosion vuoksi. Erilaisten koneoppimismallien lisäksi tarkastellaan myös erilaisia panostusstrategioita, jotka vedonlyöntistrategiaan vahvasti liittyvät.
Tutkimuksen keskeisimpänä tuloksena voidaan pitää havaintoa siitä, että voitollisia vedonlyöntistrategioita on mahdollista luoda koneoppimismalleihin perustuen. Paras tutkituista vedonlyöntistrategioista saavutti noin 35 %:n tuoton koko vedonlyöntikassalle Valioliigan kauden 20/21 toisella puoliskolla. Mallin voitollisuuteen vaikuttavia merkittävimpiä tekijöitä on luettujen tutkimuksien perusteella mallin selittäjät, sekä käytetty panostusstrategia. Tarkkakin malli voi siis johtaa pieniin tuottoihin, mikäli panostusstrategiaa ei ole kehitetty optimaaliseksi. Toisaalta mallia ei saada kovinkaan tarkaksi, mikäli selittäjiä ei ole valittu huolella.
Tutkimuksen ajankohtaisuutta puoltaa tekoälyn suosion kasvaminen. Tekoäly on viimevuosina tullut koko kansan tietoon esimerkiksi ChatGPT-sovelluksen myötä. Tutkimuksessa käsiteltävä koneoppiminen taas on yksi tekoälyn osa-alueista. Koneoppimista voidaan hyödyntää esimerkiksi tulevien tapahtumien ennustamiseen jo tapahtuneiden tapahtumien, eli harjoitusdatan, avulla. Jalkapallovedonlyönnin tapauksessa voidaan siis käyttää aikaisemmin pelattuja pelejä opettamaan malli ennustamaan tulevia pelejä.
Tekoälyn suosion kasvun lisäksi myös vedonlyönti on kasvattanut suosiotaan ja suosion uskotaan jatkavan kasvuaan esimerkiksi digitalisaation ansiosta. Tältäkin osin tutkimus on siis ajankohtainen ja mahdollisia tutkimuksesta hyötyviä tahoja ovat vedonvälittäjät, sekä vedonlyöjät.
Tutkimus toteutettiin kirjallisuuskatsauksena. Tutkimukseen haettiin aineistoa Tampereen yliopiston kirjaston Andor -palvelusta, sekä AMC Digital Library -tietokannasta. Aineiston hakuun käytettiin muiden muassa hakusanoja ("Neural Networks" AND "Football betting") ja ("Machine Learning" AND "gambling").
Tutkimuksen keskeisimpänä tuloksena voidaan pitää havaintoa siitä, että voitollisia vedonlyöntistrategioita on mahdollista luoda koneoppimismalleihin perustuen. Paras tutkituista vedonlyöntistrategioista saavutti noin 35 %:n tuoton koko vedonlyöntikassalle Valioliigan kauden 20/21 toisella puoliskolla. Mallin voitollisuuteen vaikuttavia merkittävimpiä tekijöitä on luettujen tutkimuksien perusteella mallin selittäjät, sekä käytetty panostusstrategia. Tarkkakin malli voi siis johtaa pieniin tuottoihin, mikäli panostusstrategiaa ei ole kehitetty optimaaliseksi. Toisaalta mallia ei saada kovinkaan tarkaksi, mikäli selittäjiä ei ole valittu huolella.
Tutkimuksen ajankohtaisuutta puoltaa tekoälyn suosion kasvaminen. Tekoäly on viimevuosina tullut koko kansan tietoon esimerkiksi ChatGPT-sovelluksen myötä. Tutkimuksessa käsiteltävä koneoppiminen taas on yksi tekoälyn osa-alueista. Koneoppimista voidaan hyödyntää esimerkiksi tulevien tapahtumien ennustamiseen jo tapahtuneiden tapahtumien, eli harjoitusdatan, avulla. Jalkapallovedonlyönnin tapauksessa voidaan siis käyttää aikaisemmin pelattuja pelejä opettamaan malli ennustamaan tulevia pelejä.
Tekoälyn suosion kasvun lisäksi myös vedonlyönti on kasvattanut suosiotaan ja suosion uskotaan jatkavan kasvuaan esimerkiksi digitalisaation ansiosta. Tältäkin osin tutkimus on siis ajankohtainen ja mahdollisia tutkimuksesta hyötyviä tahoja ovat vedonvälittäjät, sekä vedonlyöjät.
Tutkimus toteutettiin kirjallisuuskatsauksena. Tutkimukseen haettiin aineistoa Tampereen yliopiston kirjaston Andor -palvelusta, sekä AMC Digital Library -tietokannasta. Aineiston hakuun käytettiin muiden muassa hakusanoja ("Neural Networks" AND "Football betting") ja ("Machine Learning" AND "gambling").
Kokoelmat
- Kandidaatintutkielmat [9001]