Моя прога, может кому пригодится)

[kelbr 83]

2 часа назад, good_bye сказал:

ну если есть большая база то скинь, я думаю можно переделать под структуру. Вопрос в том, что чем больше матчей тем больше "шума"

Вот ключевые выводы:

1. Структура CSV-файлов (покрытие с вашей base.xlsx)

• FootyStats (39k строк) – xG, удары, угловые, PPG → покрытие 8.3% (762 матча)

• BetfairExchange (37k строк) – коэффициенты Back/Lay на 1X2, тотал 2.5, обе забьют → покрытие 33% (3056 матчей)

• FlashScore (138k строк) – дублирует вашу базу, пропущен

2. Что сделано

• Создан merge_data.py – нормализация лиг (ENGLAND 1 → Premier League), объединение по дате/лиге/командам.

• Расширен feature_builder.py – добавлены признаки: xG_home/away, shots, shotsOnTarget, corners, PPG, Betfair back/lay odds.

• Проведено сравнение на 34 лигах (валидационная точность).

3. Сравнение метрик (расширенная модель против исходной)

 

 

Рынок	Среднее изменение	Улучшилось в лигах
1X2	+0.035 (+3.5%)	16 из 34
Total	+0.022 (+2.2%)	19 из 34
BTTS	-0.020 (-2.0%)	13 из 34

Лучшие улучшения:

• Кубок Португалии: 1X2 +28.6%, Total +21.2%

• Кубок Франции: 1X2 +18.5%, BTTS +21.8%

• Премьер-лига: 1X2 +13.5%

• Серия А: Total +18.3%, BTTS +11.7%

Ухудшения (вероятно, из-за низкого покрытия):

• РПЛ: 1X2 -19.4%

• Ла Лига: небольшие просадки

4. Выводы

• BetfairExchange – самый ценный источник (33% покрытия). Признаки с его коэффициентами дают прирост.

• FootyStats имеет слишком низкое покрытие (8%) для значимого вклада xG/shots.

• Модели сохраняются/загружаются через joblib – всё работает.

• Средний прирост скромный (+2-3%), но для топ-лиг (Англия, Италия, кубки) улучшение существенное.
  если еще Вам признаков добавить хуже не будет .

[good_bye 613]

10 минут назад, kelbr сказал:

Вот ключевые выводы:

1. Структура CSV-файлов (покрытие с вашей base.xlsx)

• FootyStats (39k строк) – xG, удары, угловые, PPG → покрытие 8.3% (762 матча)

• BetfairExchange (37k строк) – коэффициенты Back/Lay на 1X2, тотал 2.5, обе забьют → покрытие 33% (3056 матчей)

• FlashScore (138k строк) – дублирует вашу базу, пропущен

2. Что сделано

• Создан merge_data.py – нормализация лиг (ENGLAND 1 → Premier League), объединение по дате/лиге/командам.

• Расширен feature_builder.py – добавлены признаки: xG_home/away, shots, shotsOnTarget, corners, PPG, Betfair back/lay odds.

• Проведено сравнение на 34 лигах (валидационная точность).

3. Сравнение метрик (расширенная модель против исходной)

 

 

Рынок	Среднее изменение	Улучшилось в лигах
1X2	+0.035 (+3.5%)	16 из 34
Total	+0.022 (+2.2%)	19 из 34
BTTS	-0.020 (-2.0%)	13 из 34

Лучшие улучшения:

• Кубок Португалии: 1X2 +28.6%, Total +21.2%

• Кубок Франции: 1X2 +18.5%, BTTS +21.8%

• Премьер-лига: 1X2 +13.5%

• Серия А: Total +18.3%, BTTS +11.7%

Ухудшения (вероятно, из-за низкого покрытия):

• РПЛ: 1X2 -19.4%

• Ла Лига: небольшие просадки

4. Выводы

• BetfairExchange – самый ценный источник (33% покрытия). Признаки с его коэффициентами дают прирост.

• FootyStats имеет слишком низкое покрытие (8%) для значимого вклада xG/shots.

• Модели сохраняются/загружаются через joblib – всё работает.

• Средний прирост скромный (+2-3%), но для топ-лиг (Англия, Италия, кубки) улучшение существенное.
  если еще Вам признаков добавить хуже не будет .

я в программировании не особо силен. Какой парсер получился такой и получился))) flashscore xg я не умею парсить

[good_bye 613]

11 минут назад, kelbr сказал:

Вот ключевые выводы:

1. Структура CSV-файлов (покрытие с вашей base.xlsx)

• FootyStats (39k строк) – xG, удары, угловые, PPG → покрытие 8.3% (762 матча)

• BetfairExchange (37k строк) – коэффициенты Back/Lay на 1X2, тотал 2.5, обе забьют → покрытие 33% (3056 матчей)

• FlashScore (138k строк) – дублирует вашу базу, пропущен

2. Что сделано

• Создан merge_data.py – нормализация лиг (ENGLAND 1 → Premier League), объединение по дате/лиге/командам.

• Расширен feature_builder.py – добавлены признаки: xG_home/away, shots, shotsOnTarget, corners, PPG, Betfair back/lay odds.

• Проведено сравнение на 34 лигах (валидационная точность).

3. Сравнение метрик (расширенная модель против исходной)

 

 

Рынок	Среднее изменение	Улучшилось в лигах
1X2	+0.035 (+3.5%)	16 из 34
Total	+0.022 (+2.2%)	19 из 34
BTTS	-0.020 (-2.0%)	13 из 34

Лучшие улучшения:

• Кубок Португалии: 1X2 +28.6%, Total +21.2%

• Кубок Франции: 1X2 +18.5%, BTTS +21.8%

• Премьер-лига: 1X2 +13.5%

• Серия А: Total +18.3%, BTTS +11.7%

Ухудшения (вероятно, из-за низкого покрытия):

• РПЛ: 1X2 -19.4%

• Ла Лига: небольшие просадки

4. Выводы

• BetfairExchange – самый ценный источник (33% покрытия). Признаки с его коэффициентами дают прирост.

• FootyStats имеет слишком низкое покрытие (8%) для значимого вклада xG/shots.

• Модели сохраняются/загружаются через joblib – всё работает.

• Средний прирост скромный (+2-3%), но для топ-лиг (Англия, Италия, кубки) улучшение существенное.
  если еще Вам признаков добавить хуже не будет .

можете доделать программу и скинуть в личку, если у вас есть в этом опыт. Мой заканчивается на том, что сделала, к сожалению

[good_bye 613]

кстати ваши идеи с агентами интересные, я сейчас ваяю промпт)) в чистую математику они бесполезны, но есть вроде интересные ответвления)

[kelbr 83]

2 минуты назад, good_bye сказал:

кстати ваши идеи с агентами интересные, я сейчас ваяю промпт)) в чистую математику они бесполезны, но есть вроде интересные ответвления)

там еще кроме математики еще логика нужна,по этому нужны агенты для этого.да я сам хотел немного поправить ваш файл и только Вам его скинуть это ваши наработки не мои. 

 

[kelbr 83]

8 минут назад, good_bye сказал:

кстати ваши идеи с агентами интересные, я сейчас ваяю промпт)) в чистую математику они бесполезны, но есть вроде интересные ответвления)

когда у вас много агентов они каждый выплняет свою функцию один математик на трех исходах п1 х п2 другой на тоталах и на форах,так же каждому из них по агенту с логикой,и на выходе контрольный.они сами в процессе себя дообучают.

[good_bye 613]

4 минуты назад, kelbr сказал:

когда у вас много агентов они каждый выплняет свою функцию один математик на трех исходах п1 х п2 другой на тоталах и на форах,так же каждому из них по агенту с логикой,и на выходе контрольный.они сами в процессе себя дообучают.

ну у меня математик уходит в фантазии часто что на квене что на gemini, хотя я четко прописываю использовать только мою статистику. Но часто близко к кэфам прогнозит. А  чего они не умеют так это думать не как толпа))  даже комбинированно приходят к выводам которые очевидны ну и соответственно в марже...Ну вот пытаюсь учить...тяжко)

Изменено Воскресенье в 10:40 пользователем good_bye

[good_bye 613]

и еще не понятно как вы их самообучаете, это слишком большой контекст нужен. Либо крректировка весов агентов после выходных...наверно у вас второе

 

[kelbr 83]

1 минуту назад, good_bye сказал:

ну у меня математик уходит в фантазии часто что на квене что на gemini, хотя я четко прописываю использовать только мою статистику. Но часто близко к кэфам прогнозит. А  чего они не умеют так это думать не как толпа))  даже комбинированно приходят к выводам которые очевидны ну и соответственно в марже...Ну вот пытаюсь учить...тяжко)

вот уже сколько проделано из двух Ваших файлов 

[kelbr 83]

3 минуты назад, good_bye сказал:

и еще не понятно как вы их самообучаете, это слишком большой контекст нужен. Либо крректировка весов агентов после выходных...наверно у вас второе

 

Я описавал все как делаю,с самого начала там где вы про агентов читали,кстати у меня к Вам вопрос вы видили что у Вас модели конфликтуют???Вы это пробовали использовать ????

 

[kelbr 83]

так же где я все описываю,я это веду как блок для ии агентов в нужный момент я захожу и возращаюсь и забераю этот кусок,это очень удобно,конечно если ни кто не засирает тему.

[kelbr 83]

вот сейчас полностью агентам дал делать все потом только подправлю что не так.

[good_bye 613]

14 минут назад, kelbr сказал:

вот уже сколько проделано из двух Ваших файлов 

круто, а промпт зачем?

[kelbr 83]

Только что, good_bye сказал:

круто, а промпт зачем?

а промпт зачем?агентам это сейчас работать там очень большая база,я ее с гет хабба зацепил быстро сейчас все в порядок они приводят 

[good_bye 613]

9 минут назад, kelbr сказал:

Я описавал все как делаю,с самого начала там где вы про агентов читали,кстати у меня к Вам вопрос вы видили что у Вас модели конфликтуют???Вы это пробовали использовать ????

 

нет, о таком мне не рассказывал ИИ. А там же вроде одна модель, catboost, если что есть может осталось от прошлых вариантов...я много что пытался засунуть туда

[kelbr 83]

1 минуту назад, good_bye сказал:

нет, о таком мне не рассказывал ИИ. А там же вроде одна модель, catboost, если что есть может осталось от прошлых вариантов...я много что пытался засунуть туда

оддс виз на этом посторен,там выгодно конффликт модели и бука .

[mihailopolya 95]

22 минуты назад, good_bye сказал:

ну у меня математик уходит в фантазии часто что на квене что на gemini, хотя я четко прописываю использовать только мою статистику. Но часто близко к кэфам прогнозит. А  чего они не умеют так это думать не как толпа))  даже комбинированно приходят к выводам которые очевидны ну и соответственно в марже...Ну вот пытаюсь учить...тяжко)

Именно выучить их не получится, если только не взять какую-нибудь на hugging face, запустить на своей машине и зафайнтюнить. А машина для этого нужна очень нехилая. Максимум - правила. Наверное лучше пробовать с GPT-5.4 (или другой передовой моделью) что-то выловить на основе исторической доходности

[kelbr 83]

2 минуты назад, mihailopolya сказал:

Именно выучить их не получится, если только не взять какую-нибудь на hugging face, запустить на своей машине и зафайнтюнить. А машина для этого нужна очень нехилая. Максимум - правила. Наверное лучше пробовать с GPT-5.4 (или другой передовой моделью) что-то выловить на основе исторической доходности

можно это по другому все делать,и быстрее .

[Nazarnineangels 7 054]

Я например делал ML Star, модель училась на архиве с 2021-2026 год, лучше всего показывает ИТБ1(0.5), ИТБ1(1.5), П1, ТБ(2.5). Какой бы не брал отрезок по годах, одно и то же. Все остальное модель не умеет в плюс вести. У тебя думаю +- то самое выйдет.

[kelbr 83]

https://github.com/futpythontrader/YouTube.git
я вам от сюда данные еще взял посмотрите может что еще Вам там надо .

[mihailopolya 95]

9 минут назад, kelbr сказал:

можно это по другому все делать,и быстрее .

Что именно? Обучать нейросеть - долго. У меня модель паттернов в Tensorflow где-то три часа прогоняется. Это только паттерны с несколькими признаками. А если представить, что мне была бы доступна локальная или удаленная машина с достаточной производительностью и обучать нейросеть на хотя бы 6 миллиардов параметров - еще дольше

[kelbr 83]

по этому и надо прогонять все через лабораторию а потом обучать.

[kelbr 83]

1 минуту назад, mihailopolya сказал:

Что именно? Обучать нейросеть - долго. У меня модель паттернов в Tensorflow где-то три часа прогоняется. Это только паттерны с несколькими признаками. А если представить, что мне была бы доступна локальная или удаленная машина с достаточной производительностью и обучать нейросеть на хотя бы 6 миллиардов параметров - еще дольше

разные подходы у нас в этом .

[mihailopolya 95]

1 минуту назад, mihailopolya сказал:

Что именно? Обучать нейросеть - долго. У меня модель паттернов в Tensorflow где-то три часа прогоняется. Это только паттерны с несколькими признаками. А если представить, что мне была бы доступна локальная или удаленная машина с достаточной производительностью и обучать нейросеть на хотя бы 6 миллиардов параметров - еще дольше

Под обучением я имею в виду что берется TensorFlow/PyTorch или др., собирается датасет, формируется, проводятся EDA, нормализация признаков, затем обучение, если нужно то и калибровка гиперпараметров и т.д. и т.п. По-другому обучить не получится. Если нет весов модели, то ту же LLM даже не зафайнтюнить - на каком датасете ее обучили и довели, то и будет

[kelbr 83]

вот делал калькулятор оддс,если не знать что и как делать,то хоть машина будет зверь вы на это очень много времени потратите,я сделал отклонение 0.01,а если бы я делал как все делают я бы еще его делал.разные подходы у каждого.