dc.contributor.advisor | Langseth, Helge | |
dc.contributor.author | Sandøy, Sander Fagerland | |
dc.contributor.author | Nielsen, Eirik Skjellum | |
dc.date.accessioned | 2019-10-31T15:16:31Z | |
dc.date.available | 2019-10-31T15:16:31Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | http://hdl.handle.net/11250/2625795 | |
dc.description.abstract | Markedet for fotballtipping er enormt, og mange tippeselskaper lar håpefulle spillere
plassere veddemål omtrent alle aspekter av en kamp. Det mest populære veddemålet er å spille på kampens sluttresultat.
Å forutsi disse utfallene er en vanskelig oppgave på grunn av spillets kompleksitet, men ved å konsekvent produsere bedre forutsigelser enn tippeselskapene kan muligheten for profitt vise seg.
I denne oppgaven blir to kamppredikeringsmodeller basert på nevrale nettverk utviklet, hvor en er en fullstendig datadreven tilpasning av en vellykket Bayesiansk nettverks-modell avhengig av kunnskapen til en domeneekspert. Effekten av å utnytte domenekunnskap i strukturen av nevrale nettverk er utforsket ved å gruppere relaterte inputvariable i separate sub-nettverk.
Lønnsomheten til modellene er evaluert over to sesonger av den engelske Premier League med ulike spillstrategier. Eksperimenter med å bruke metoder fra
reinforcement learning for å trene en spillstrategi-agent blir utført for å utforske muligheten til å bygge et komplett ende-til-ende spillsystem.
Enkelte modell-strategi-kombinasjoner klarte å generere profitt over begge testsesongene, som viser at det er mulig å profittere fra fotballtipping med kunstige nevrale nettverk | |
dc.description.abstract | The football betting market is an enormous market, with numerous bookmakers
allowing hopeful punters to place bets on almost every aspect of a match. The most popular aspect of football betting is placing bets on the final match outcome.
Predicting these outcomes is a difficult task given the complexity of the game, but by consistently producing better predictions than the bookmaker, an opportunity to make a profit on the market may arise.
In this thesis, two match prediction models using artificial neural networks are developed, where one is a fully data-driven adaptation of a successful Bayesian network model utilizing domain expert knowledge. The effect of utilizing domain knowledge in the structure of neural networks is explored by grouping related input
features into separate sub-networks.
The profitability of the models is evaluated over two seasons of the English Premier League using different money management strategies. Experiments in using reinforcement learning methods to train a money management agent are performed to explore the possibility of building a complete end-to-end betting
system.
Some model-strategy combinations were able to generate a profit over both
test seasons, showing that it is indeed possible to profit from football betting
using artificial neural networks. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Profiting from Football Betting using Artificial Neural Networks | |
dc.type | Master thesis | |