Zašto jednostavan kvantitativni model ima smisla za esport klađenje
Deluje jednostavno: kladionice daju linije, igrač bira tim. U praksi, klađenje na esport (CS2, LoL, Dota 2, Valorant) zahteva razumevanje formata meča i niza javno dostupnih signala koji utiču na rezultat. Jednostavan, transparentan model koji kombinuje map/agent winrate, recent formu, veto/ban dinamiku, roster stability, streaming delay i ulogu trenera može brzo filtrirati loše tikete i izračunati očekivanu vrednost (EV) bez potrebe za kompleksnim mašinskim učenjem.
Za publiku iz Srbije (18–35) koja prati esport i koristi online kladionice, cilj ovog pristupa je jasan: smanjiti subjektivno “osjećanje” i zameniti ga merljivim indikatorima — praksa poznata u esport analitici. Posebno je bitno razlikovati BO1 i BO3 formate jer njihov procenat varijanse i značaj veto faze značajno utiču na pouzdanost signala.
Koje javne metrike treba uključiti i zašto
- Map/agent winrate: osnovni signal o komforu tima na određenim mapama ili agentima (Valorant). Za BO1, mape s visokim razlikama u winrate-u mogu direktno prelomiti ishod.
- Recent form: težinski prosek poslednjih N mečeva (npr. 5–10) sa linearnim ili eksponencijalnim padom težine. Ovo hvata momentum i probleme sa performansom u kvalifikacijama vs glavnom eventu.
- Veto/ban efekat: analiza pick/ban istorije za datu map pool ili draft fazu u LoL/Dota2. Veto menja očekivanu pobedu tima—u BO1 je kritičniji nego u BO3.
- Roster stability: broj promena u starter postavi, novi subovi i vreme igranja zajedno. Stabilnost korelira sa konzistentnošću performansi i smanjuje varijansu.
- Streaming delay: relevantno za live klađenje — kašnjenje na streamu može omogućiti insider-chekove (rotacije, pause) i uticati na tržište kvota u realnom vremenu.
- Uloga trenera: metrika koja vrednuje iskustvo i poznate strateške prednosti (poznati veto patterni, mid-series adjustments). U timovima gde trener aktivno utiče, BO3 format omogućava korekcije koje se ne vide u BO1.
Osnovna logika modela: kako filtrirati tikete i proceniti EV
Model treba biti lagan: svakoj metrički dodeli se težina (w_i) i normalizovana vrednost (0–1). Agregovana verovatnoća (P_model) može biti jednostavan ponderisani zbir ili logistička transformacija ponderisanog zbira da bi se dobile verovatnoće koje se upoređuju sa implicitnom verovatnoćom kvote:
P_implicit = 1 / kvota
Očekivana vrednost (EV) po opkladi: EV = P_model * (kvota – 1) – (1 – P_model)
- Filtar: izdvajanje tiketa gde je EV > prag (npr. 0.02) i gde modelova sigurnost (konfidence) prelazi prag. Za BO1 prag pouzdanosti treba biti viši zbog veće varijanse.
- Pragovi i težine testiraju se retroaktivno na javnim podacima (backtest) — ali početni model ostaje lak i transparentan.
U sledećem delu biće prikazano kako konkretno postaviti težine za svaku metriku, prilagoditi model za BO1 vs BO3 i kako praktično koristiti streaming delay i veto analizu pri filtriranju tiketa.
Postavljanje težina i normalizacija metrike
Prvi praktični korak nakon izbora metrika je njihova normalizacija (0–1) i dodeljivanje početnih težina. Normalizacija drži sve signale na istoj skali i sprečava da jedna velika vrednost dominira modelom. Primeri normalizacije:
– Map/agent winrate: (team_map_winrate – opponent_map_winrate + 1) / 2 → 0.5 znači izjednačeno, bliže 1 prednost domaćina.
– Recent form: ponderisani zbir poslednjih N mečeva, podeljen sa N (win=1, loss=0), ili eksponencijalni pokretni prosek.
– Veto/ban efekat: procenat puta kad tim pobedi ako mapa/agent ostane u pool-u (normalizovati protiv suprotne vrednosti).
– Roster stability: skor baziran na broju promena u poslednjih X meseci (npr. 0 = nova linija, 1 = nepromenjena 6+ meseci).
– Streaming delay i trener: skalirati na očigledne pragove (npr. delay>30s = 0.2, >60s = 0.0 za povećanu nepoverenje ili obrnuto ako koristite kao signal za market inefficiency).
Početne težine (w_i) mogu biti jednostavne i sumirati se na 1. Predlozi početnih w (baseline) za univerzalni model:
– Map/agent winrate: 0.30
– Recent form: 0.25
– Veto/ban efekat: 0.20
– Roster stability: 0.10
– Uloga trenera: 0.10
– Streaming delay: 0.05
Ove vrednosti su početna tačka — važno je da se retroaktivnim testom prilagode. Agregacija može biti linearna: S = Σ w_i * x_i. Da bi izlaz bio robusniji kao verovatnoća, primenite logističku transformaciju:
P_model = 1 / (1 + exp(-k*(S – 0.5)))
k kontroliše oštar prelaz (startujte sa k=8 za umerenu distinkciju). Bias podešava sistemski favoritet (home advantage, poznati meta bias).
Konfidence (sigurnost) modela možete definisati kao apsolutna udaljenost od 0.5 nakon transformacije ili kao reverz standardne devijacije inputa (više saglasnosti signala = viši konfidence). Postavite minimalni prag konfidence (npr. 0.06 za BO3, 0.10 za BO1) pre nego što EV bude prihvaćen.
Prilagođavanje modela za BO1 vs BO3 i praktični trikovi
BO1 i BO3 zahtevaju različite težine i interpretacije signala. Kratko:
– BO1: veća osetljivost na map/agent winrate i veto (povećajte w_map i w_veto ~ +50% u odnosu na baseline). Kratka serija povećava slučajni faktor — podignite prag konfidence i EV (npr. EV>0.04).
– BO3: veća korist od recent forme, roster stability i uloge trenera (povećajte w_form, w_roster, w_trainer). BO3 dozvoljava korekcije između mapa, pa trener i dubina rostera dobijaju težinu.
Kako izračunati serijsku verovatnoću u BO3: procenite P_map za svaku mapu (uzeti u obzir veto predvidljive prve mape), zatim kombinujte:
P_series = P_map1P_map2 + P_map1(1-P_map2)P_map3 + (1-P_map1)P_map2*P_map3
Gde P_mapi dobijate iz modela za tu mapu. Ovaj pristup bolje hvata strateški značaj mape po mapi.
Praktični trikovi:
– Veto analiza pre meča: napravite skriptu koja uzima istoriju pick/ban i računa verovatnoću da određena mapa bude izabrana. Ako veto favorizuje underdoga, pomerite P_model prema njemu pre kvote.
– Streaming delay: za pre-match betove koristite delay kao signal tržišta — veliki delay sa naglim pomeranjem kvota može ukazivati na insider info ili pause u feedu. U live klađenju, ako je delay>60s i tržište se brzo menja, povećajte minimalni EV ili izbegavajte opklade.
– Backtest: kad god promenite težine, testirajte na zadnjih 6–12 meseci i kalibrišite k parametar i bias pomoću Brier score. Koristite rolling window (npr. 90 dana) da težine prate meta promene.
U sledećem delu ćemo dati primere konkretnog backtest skripta i pokazati kako iterativno podesiti težine koristeći realne podatke i vizualizacije grešaka.
Implementacija i kratki primer backtest procesa
Za završnu praktičnu fazu — backtest i iterativno podešavanje — sledite jasan niz koraka koji se lako primenjuju čak i bez kompleksnih ML alata:
- Prikupljanje podataka: izaberite javne izvore mečeva, map/agent winrate, veto istoriju i roster promene. CSV ili JSON iz hltv.org/liquipedia API-ja su dovoljni za start.
- Izračunavanje metrika: za svaki meč izračunajte normalizovane vrednosti (0–1) za sve izabrane metrike i primenite početne težine iz modela.
- Agregacija i transformacija: dobijeni S transformišite preko logističke funkcije da biste dobili P_model; izračunajte EV u odnosu na istorijske kvote.
- Simulacija tiketa: primenite pravila filtriranja (prag EV, prag konfidence, BO1/BO3 prilagođavanja) i simulirajte klađenje kroz vremenski period. Merni pokazatelji su ROI, yield i Brier score za kalibraciju verovatnoća.
- Podešavanje težina: koristite grid search ili jednostavni hill-climb da iterativno poboljšate težine prema odabranom cilju (maksimizacija ROI uz održavanje kalibracije). Testirajte promenljive kroz rolling window (npr. 90 dana) kako biste uhvatili promene mete.
- Upravljanje rizikom: definišite jedinicu (unit) i koristite stroga pravila stake-ovanja (npr. fiksne jedinice ili konzervativni Kelly frakcijski pristup, 0.5–1% bankrolla po tiketu za većinu modela).
Za numeričku kalibraciju verovatnoća i praćenje grešaka preporučujem da proučite metodu ocenjivanja kao što je Brier score — koristan alat za proveru koliko su vaše procene verovatne u odnosu na realne ishode.
Završne smernice za praktičnu primenu
Model je sredstvo, ne zamena za kontekst: koristite ga kao filter i alat za kvantifikaciju rizika, ne kao apsolutnu istinu. Počnite sa konzervativnim težinama i malim ulogom dok ne potvrdite performanse kroz backtest i realno praćenje. Redovno ažurirajte metrike i težine — posebno nakon velikih rejmova ili promena u rosterima — i vodite zapisnik svake iteracije kako biste mogli analizirati šta je promenilo performanse.
Uvek imajte rezervni plan: ako tržište pokaže neuobičajene pomake ili ako stream delay signalira potencijalne informacije izvan modela, smanjite izloženost ili privremeno obustavite klađenje dok ne dobijete jasniju sliku. Transparentnost i disciplina u vođenju modela su ključni za dugoročnu konzistentnost.
English