什麼是投注系統？

與投注方法或資金管理策略相比，體育博奕投注系統是一種結構化預測方法，建立在對歷史資料進行定量分析的基礎上，旨在克服博奕公司的利潤空間並找到積極因素。投注者經常混淆資金管理和投注系統，在百度上搜索“投注系統”，你會發現大多數是像必髮指數和泊松分佈一類的投注策略，但實際上投注策略和投注系統是不同的東西。

資金管理只會改變與您的投注相關的風險的性質；然而，它不能將失敗的預測方法變成長期的勝利方法，相比之下，投注系統試圖找到體育比賽中發生的事情的“真實”概率。

體育博奕投注系統：

回歸分析

體育博奕投注系統最廣泛的使用方法是統計回歸分析，對那些不熟悉統計術語的人來說，這聽起來很困惑，但實際上它只是一種估算變數之間關係的方法。雖然回歸分析是設計博奕系統的有用工具，但其潛在的弱點是無法區分相關性和因果關係。 其中最簡單的是簡單線性回歸，其中只考慮兩個變數，例如團隊得分的目標數（預測變數或引數）及其匹配獲勝頻率（回應或因變數）。 通過使用大量的比賽樣本，例如從2000/11賽季年到2017/18共8個賽季，可以繪製一個圖表，將計算出的比賽評分（主隊的6場比賽均進球減去客場的6場比賽進球）與主隊比賽獲勝的概率分佈如下所示：

雖然圖表中的各個數據點有些分散，但兩個變數之間存在明顯的線性趨勢：主隊相對於客隊在過去6場比賽中的淨勝球數越多，就越有可能主隊將贏得比賽。圖表上繪製的回歸線基本上描述了相對目標優勢與主隊獲勝之間的理想關係，其中關於運氣值被移除。

我們可以通過方程描述上述線; 作為一個簡單的線性回歸模型，它採用y = mx + c的形式，其中y是因變數（獲勝概率），x是引數，m是趨勢線的斜率或梯度（及隊伍實力）和c是線截取y軸的常數或點（即x = 0）。在這個例子中，等式由下式給出：

比賽評分（主隊的6場比賽均進球減去客場的6場比賽進球 當比賽評分為零時（也就是說主隊和客隊在目標差異方面或多或少均勻分配），勝率為46.5％。考慮到大約46％的足球比賽以主場勝利結束，這似乎是直覺上明智的。在過去的六場比賽中，主隊的淨進球差距比客場球隊差十倍，回歸模型顯示這些球隊通常贏得62％的時間。憑藉20分的優勢，這一比例上升至78％。

我們的回歸分析也可以告訴我們這個投注系統模型解釋了獲勝頻率的多少變化，在這種情況下，它是86％。您可以通過趨勢線與資料的擬合優度來說明這一點，它告訴我們兩個變數之間存在很強的相關性。

使用系統進行投注預測

為了將我們的回歸線性模型轉變為功能完善的投注系統，我們現在需要對未來的匹配進行預測，並使用它們來識別具有正預期價值的投注。與大多數建模方法一樣，標準假設是關鍵。如果前一場比賽得分為+10的比賽以62％的主場勝利結束，那麼假設一支主力10比1的主力球隊將有62％的概率贏得比賽。

然後我們可以簡單地將這些概率轉換為“真實”賠率，從而找到提供更長賠率的博奕公司的預期價值。將這個模型應用到2011/12英格蘭足球聯賽賽季，在526個投注中以最佳主場贏球賠率獲得了+ 2.1％的營業利潤，相比之下，如果我簡單地下注全部歸來，則損失-3.7％盲目地贏得那個賽季。

相關性與因果關係

一個賽季投注500多次投注並不能保證盈利能力可以在每個賽季地重現，確保一個可靠的投注系統似乎是一個足夠的數位，但定期參與投注玩家會知道情況並非如此。即使是1000個賭注的樣本也可以揭示出虛假的盈利模式，這種模式實際上沒有因果關係的基礎，而只是偶然的機會。可悲的是，接下來的五個賽季使用這個投注系統全部都輸了。雖然這個簡單的目標霸權回歸模型很好地找到了哪些主隊更有可能獲勝，但並不能保證能夠找到比博奕公司賠率隱含的概率中更有可能獲勝的球隊。

如果回歸線性模型只是複製博奕公司的模型所做的事情，那麼盈利能力就不會顯示持久性，只會反映出隨意性的變幻莫測。它似乎不是建立在任何有效的相關性上回歸線性模型預測沒有“導致”這些利潤，因為它並不比其他模型做同樣的事情更準確。

精度與準確度

當然，雙變數線性回歸模型幾乎不是試圖找到期望值的最複雜的投注系統，引入更多獨立變數或預測變數的多元回歸提供了一種提高預測精度的方法。但是分析師應該謹慎，不要以犧牲準確性為代價。

精確模型是測量彼此接近的模型，例如，如上面的簡單線性回歸模型中的趨勢線所示。但是精度並不能保證準確性。準確度衡量您與“真實”價值的接近程度，精度與隨機誤差和系統精度相關（也稱為偏差）。 要使投注系統有效，也就是說要真正做它應該做的事情（即始終如一地找到有利可圖的期望值），它必須既準確又準確，有效性意味著可預測性和持久性。不幸的是，許多體育博奕玩家在研究他們的投注歷史時，往往會誤解精確性，準確性和有效性相關的因果關係。他們的錯誤在於相信他們所做的利潤是由他們的投注系統“引起的”，因為他們經常因為好運而出現這種情況。

 回歸分析的陷阱 雖然回歸分析是設計博奕投注系統的重要工具，但其潛在的弱點是無法區分相關性和因果關係。回歸分析有效識別變數之間的關聯，例如得分和失敗的目標與獲勝匹配的概率，但無法確定是否導致另一個。 回歸分析可能會告訴我們，當巴賽隆納輸球時，梅西沒有進球。但是，我們不能得出結論，梅西沒有得分是導致巴賽隆納輸掉比賽的原因。如果沒有在我們的投注系統中建立因果關係和有效性，我們應該警惕它可能並不比其他人使用的預測模型更好，在體育博奕這樣的相對技能環境中，我們不僅僅因為預測未來而獲得報酬，我們必須比其他玩家更好。