Πρόβλεψη Αποτελεσμάτων Αγώνων Τένις με Χρήση Μηχανικής Μάθησης και Ανάπτυξη Στοιχηματικής Στρατηγικής

Νικολουλόπουλος, Φρίξος; Nikoloulopoulos, Frixos

dc.contributor.author	Νικολουλόπουλος, Φρίξος	el
dc.contributor.author	Nikoloulopoulos, Frixos	en
dc.date.accessioned	2023-04-06T07:37:51Z
dc.date.available	2023-04-06T07:37:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57493
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25190
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Στοιχηματικές Στρατηγικές	el
dc.subject	Δέντρα Αποφάσεων	el
dc.subject	Τένις	el
dc.subject	Λήψη Αποφάσεων	el
dc.subject	Machine Learning	en
dc.subject	Decision Trees	en
dc.subject	Decision-Making	en
dc.subject	Tennis	en
dc.subject	Betting Strategies	en
dc.title	Πρόβλεψη Αποτελεσμάτων Αγώνων Τένις με Χρήση Μηχανικής Μάθησης και Ανάπτυξη Στοιχηματικής Στρατηγικής	el
dc.contributor.department	Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.type	bachelorThesis
heal.classification	Μονάδα Προβλέψεων και Στρατηγικής	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-10
heal.abstract	Σε αυτή την εργασία μελετάται η αποδοτικότητα μοντέλων Δένδρων Αποφάσεων, Τυχαίου Δάσους και LightGBM με δεδομένα από το ATP Dataset στο πρόβλημα της εκτίμησης Φαβορί σε αγώνες Τένις, καθώς και η σύγκριση των στρατηγικών Απλού Στοιχήματος σε Φαβορί, Στοιχήματος κατά Martingale και Επιλεκτικού Στοιχηματισμού ως προς την αξιοπιστία της πρόβλεψης του νικητή και ως προς την απόδοση του αγώνα. Τα αποτελέσματα δείχνουν πως τα μοντέλα Μηχανικής Μάθησης, αν και τα πάνε καλύτερα, δεν έχουν πολύ μεγάλη διαφορά από την εκτίμηση του Φαβορί με βάση την απόδοση που δίνουν οι Bookmakers στον αγώνα. Ως προς τις στρατηγικές, η μόνη μέθοδος που είχε αξιόπιστα αποτελέσματα για κέρδος ήταν η μέθοδος Martingale, η οποία όμως εκθέτει σε ρίσκο ένα σημαντικό αρχικό κεφάλαιο, το ύψος του οποίου είναι άγνωστο στον Παίκτη και μπορεί να φτάσει τις δεκάδες χιλιάδες ευρώ, ακόμα και εάν το αρχικό ποντάρισμα ξεκινάει από ένα ευρώ. Το κέρδος αυτής της στρατηγικής πετυχαίνει μέγιστο κέρδος της τάξης του 8% της συνολικής επένδυσης.	el
heal.abstract	The purpose of this Thesis is the study of the efficiency of machine learning models, namely Decision Trees, Random Forests and LightGBM, using data from the ATP Dataset tackling the problem of determining the Favourites of Tennis Matches, as well as the comparison between different betting strategies, namely Simple Betting on Favourites, Martingale Model and Selective Betting based on Prediction Tenability for the Estimated Winning Athlete and the Match’s Rate of Return, which is provided by the Bookmakers. The results seem to indicate that although machine learning models achieve a slightly better accuracy between a Bettor estimating the result of a match using the Bookmaker’s odds alone, the difference is not significant enough. Regarding the Betting Strategies, the only method that achieved Net Gain with a significant reliability was the Martingale Method, which on the other hand demands the exposure of a significant starting capital on risk, the hight of which can reach even tens of thousands of euros, even though the starting bet for each simulation is a single euro. This betting strategy reaches a maximum gain percentage of 8% of the total invested capital	en
heal.advisorName	Σεμένογλου, Αρτέμιος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.	el
heal.fullTextAvailability	false