Profiting from Football Betting using Artificial Neural Networks

Abstract

Markedet for fotballtipping er enormt, og mange tippeselskaper lar håpefulle spillere plassere veddemål på omtrent alle aspekter av en kamp. Det mest populære ved- demålet er å spille på kampens sluttresultat. Å forutsi disse utfallene er en vanske- lig 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 ut- nytte 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 Pre- mier 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 test- sesongene, som viser at det er mulig å profittere fra fotballtipping med kunstige nevrale nettverk.

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.