29 минут назад, good_bye сказал:

позже переделаю

будем подождать

 

2 из 4

15 минут назад, KGB сказал:

будем подождать

чего именно?))

 

 

 

 

завтра итоги

все мимо, алгоритм говно) ищем дальше

пока просто тесты...алгоритм сырой

Изменено 22 апреля22 апр пользователем good_bye

самое большое что можно сделать в этих топ моделях оставить все как есть,так как на других лигах они не работают в должном образе,да и в топ лигах они работают хорошо только когда модель показывает свой перевес,но если углубиться во всю суть то можно понять почему модель хорошо работает на топах,и плохо на других лигах,это не как не связано с данными и базой и обучением.По этому решил топ оставить как есть и брать то что уже есть,а другие лиги брать данные sstats.net,там уже все есть и рассчитано есть профит и так далее,но прицепить все это к своим рассчетам.
а так на топ лигах если брать от 0.72 первес то за 20 ставок что были с такими показаниями +16,-3,=1, так как коэффициенты от2.35 до 5.50 то модель в данный момент за почти 3 недели работает в плюс.Что бы было понятно почему модель так сильно зависит от коэффициентов решил проверить на разном времени,и там все видно.

 La Liga       Spain     Elche     Atletico Madrid  2.38 3.80  2.60      1    0.8066 0.6672  -0.1548    WATCH 02.30
 La Liga       Spain     Elche     Atletico Madrid  2.30 3.70  2.80      1    0.9610 0.6672  -0.1400    WATCH 16.30
 La Liga       Spain     Elche     Atletico Madrid  2.35 3.70  2.80      1    0.8702 0.6672  -0.1213     WATCH 19.15

вот матчи сегодня которые рядом но не подходят так как в них нет 0.72 но так как модель зависит от коэффициентов то возможно ближе к игре какой ни будь матч и будет с этими показаниями,и за зависимости модели к оэффициентам.Тут не ставим так как в данный момент нет пика выхода на рынок.

 League                                                                  1    X    2           Value_adj  Kappa      Glicko_Value  signal
 La Liga    Spain  Rayo Vallecano   Espanyol 2.05 3.25  3.90       X    0.6013 0.6672      -0.1331  WATCH
 La Liga    Spain          Oviedo         Villarreal 3.40 3.40  2.15       2    0.6833 0.6672      -0.1717  WATCH
 

15 часов назад, good_bye сказал:

пока просто тесты...алгоритм сырой

а это коэффициент бука или модели?
у меня по одной модели на х2-1.79 по второй 1.81,решил одну модель взять рассчеты оддс которые до этого были высчитаны,и вторую модель математическую с добовлением точности по глико2 и профитам,но взять глико2 рассчеты как маяк к действию,так как у нас рассчеты большой линии мы видим где у нас перевес как по модели калькулятора так по математической модели.

по мексике букмекер просто взял и вернул ставку после того как первый тайм закончился 0-0 ,ставка была будет гол первй тайм нет,итог 0-0 денег =0 😅🤣😂 какой жадный бук .

Не знаю может быть кому интересен будет матерьял которым ,я с Вами поделюсь,правда вам самим придеться его перевести на нужный вам язык,тут  два марельяла описание каждого ниже,если кто будет по матерьялу работать дополню его файлом эксель который создан по матерьялу.

# Подробное описание файлов

## 📁 Файл 1: `EstatisticaExcel_(1)[1].pdf`

**Название:** *Análise Estatística com Excel*  
**Автор:** Prof. Dr. Evandro Marcos Saidel Ribeiro (USP — Университет Сан-Паулу, Бразилия)  
**Язык:** Португальский  
**Назначение:** Учебное пособие по статистическому анализу с использованием Microsoft Excel

### Структура курса (3 модуля):

#### 🔹 Модуль 1: Описательная статистика и вероятность
| Раздел | Содержание |
|--------|-----------|
| **1. Введение** | Обзор тем курса; применение статистики и Excel в бизнесе |
| **2. Описательная статистика** | • Гистограммы, диаграммы Парето, частотные распределения<br>• Меры центра: среднее, медиана, мода<br>• Меры вариации: размах, стандартное отклонение, дисперсия, коэффициент вариации, z-оценка, квартили, процентили<br>• Boxplot (ящик с усами) |
| **3. Вероятность** | • Основы теории вероятностей<br>• Дискретные распределения: биномиальное, Пуассона<br>• Непрерывное распределение: нормальное (Гаусса)<br>• Метод Монте-Карло для симуляций |

#### 🔹 Модуль 2: Статистический вывод и многомерный анализ
| Раздел | Содержание |
|--------|-----------|
| **4. Статистический вывод** | • Виды выборок: простые случайные, с/без возврата, распределения выборок<br>• Доверительные интервалы: для средних (σ известно/неизвестно), для пропорций<br>• Проверка гипотез: z-тест, t-тест (одна и две выборки), парный t-тест, тест для пропорций |
| **5. Многомерный анализ** | • Введение в многомерные методы<br>• Корреляция: коэффициент Пирсона, матрица корреляций<br>• Ковариация: матрица ковариаций, модель Марковица для портфельного риска<br>• Регрессионный анализ: простая линейная, нелинейная, множественная регрессия; коэффициент детерминации R² |

#### 🔹 Модуль 3: Анализ временных рядов и контроль качества
| Раздел | Содержание |
|--------|-----------|
| **6. Анализ временных рядов** | • Сглаживание: скользящие средние, экспоненциальное сглаживание, линейные/квадратичные/экспоненциальные тренды<br>• Метрики точности: MAE, MSE<br>• Сезонные модели, индексы цен |
| **7. Статистический контроль процессов** | • Управление качеством, методология Six Sigma<br>• Контрольные карты: p-карта (доля дефектных), R-карта (размах), X-карта (среднее)<br>• Анализ вариабельности процессов |

### Дополнительные материалы:
- 📊 Таблицы функций Excel: `ПРОЦВП`, `СРЗНАЧ`, `МЕДИАНА`, `СТАНДОТКЛОН`, `ДИСТРБИНОМ`, `НОРМ.РАСП`, `ТЕСТ.Z`, `ТЕСТ.Т`, `ПРЕДСКАЗ` и др.
- 📚 Библиография: Levine, Triola, Corrar, Rotondaro и др.

---

## 📁 Файл 2: `series_temporais[1].pdf`

**Название:** *Análise de Séries Temporais* (Анализ временных рядов)  
**Курс:** INE 7001  
**Язык:** Португальский  
**Назначение:** Теоретическое и практическое руководство по моделированию и прогнозированию временных рядов

### Основное содержание:

#### 1️⃣ Введение во временные ряды
- **Определение:** Последовательность наблюдений, упорядоченных во времени через равные интервалы
- **Примеры:** ежедневные температуры, ежемесячные продажи, индексы фондового рынка, ЭЭГ, контрольные карты
- **Ключевая гипотеза:** Существует устойчивая причинно-следственная система, влиявшая на данные в прошлом и способная действовать в будущем

#### 2️⃣ Классическая модель декомпозиции
Временной ряд представляется как комбинация 4 компонентов:

| Компонент | Обозначение | Описание | Примеры |
|-----------|-------------|----------|---------|
| **Тренд** | T | Долгосрочное направление (рост/падение) | демографический рост, изменение потребительских привычек |
| **Циклические колебания** | C | Флуктуации длительностью >1 года с периодичностью | экономические циклы, Эль-Ниньо |
| **Сезонность** | S | Флуктуации <1 года, повторяющиеся ежегодно | праздники, сезоны, налоговые периоды |
| **Случайные колебания** | I | Непредсказуемые события | катастрофы, теракты, политические решения |

**Две формы модели:**
- **Аддитивная:** `Y = T + C + S + I`
- **Мультипликативная:** `Y = T × C × S × I`

#### 3️⃣ Выделение тренда
| Метод | Описание | Формулы/Примечания |
|-------|----------|-------------------|
| **МНК (метод наименьших квадратов)** | Подбор функции: линейной, квадратичной, логарифмической, степенной, экспоненциальной | `T̂ = a + b·t`, `T̂ = a + b·t + c·t²`, `T̂ = a·e^(b·t)` и др. |
| **Скользящие средние** | Усреднение по окну из *n* периодов; для чётных *n* требуется центрирование | Сглаживает краткосрочные колебания |
| **Экспоненциальное сглаживание** | Взвешенное среднее с убывающими весами: `Eᵢ = W·Yᵢ + (1-W)·Eᵢ₋₁` | Параметр *W* ∈ (0,1): ближе к 0 — сглаживание, ближе к 1 — чувствительность к последним данным |

**Метрики точности прогноза:**
- **MAE (EAM):** Средняя абсолютная ошибка
- **MSE (EQM):** Средняя квадратичная ошибка
- **MAPE (EPAM):** Средняя абсолютная процентная ошибка

#### 4️⃣ Выделение сезонности
**Метод отношения к скользящей средней (Ratio-to-Moving-Average):**
1. Рассчитать скользящие средние порядка *k* (4 для квартальных, 12 для месячных данных)
2. Центрировать средние (если *k* чётное)
3. Вычислить сезонные индексы:
   - Аддитивная модель: `Индекс = Y − Скользящая средняя`
   - Мультипликативная модель: `Индекс = Y / Скользящая средняя`
4. Усреднить индексы по одноимённым периодам (все января, все 1-е кварталы и т.д.)
5. Скорректировать индексы:
   - Аддитивная: сумма индексов = 0
   - Мультипликативная: сумма индексов = *k* (число периодов в году)

#### 5️⃣ Циклические и случайные компоненты
- **Аддитивная:** `CI = Y − T − S`
- **Мультипликативная:** `CI = Y / (T × S)`
- Анализ графиков *CI* для выявления циклов: чередование значений выше/ниже нуля (или 1) в течение ≥1 года
- Расчёт индексов циклов для периодов «подъёма» и «спада» (медиана или усреднение без экстремумов)

#### 6️⃣ Рекомпозиция и прогнозирование
- **Аддитивная модель:** `Ŷ = T + C + S`
- **Мультипликативная модель:** `Ŷ = T × C × S`
- Выбор лучшей модели по метрикам точности (MAE/MSE/MAPE)

#### 7️⃣ Развёрнутый пример: экспорт железной руды (Пиндорама)
Пошаговый анализ квартальных данных (2002–2019):
- Подбор тренда (лучший: полином 2-й степени)
- Расчёт сезонных индексов (оба типа моделей)
- Выявление циклов: подъёмы по 3 года, спады по 4 года
- Рекомпозиция и сравнение моделей
- Прогноз на 2020 год

#### 8️⃣ Другие модели (упоминание)
- **Holt-Winters:** аддитивная и мультипликативная версии экспоненциального сглаживания с трендом и сезонностью
- **AR (AutoRegressive):** авторегрессионные модели
- **ARMA / ARIMA:** авторегрессионные модели со скользящим средним и интеграцией (для нестационарных рядов)

---

## 🔍 Сравнение файлов

| Критерий | EstatisticaExcel | series_temporais |
|----------|------------------|------------------|
| **Фокус** | Практика в Excel | Теория и методология |
| **Уровень** | Вводный/прикладной | Академический/углублённый |
| **Временные ряды** | Один из 7 разделов | Основная тема всего документа |
| **Прогнозирование** | Базовые модели тренда | Полная декомпозиция + выбор модели + оценка точности |
| **Язык** | Португальский | Португальский |

Оба документа дополняют друг друга: первый даёт инструменты для реализации в Excel, второй — глубокое понимание методов анализа временных рядов.

EstatisticaExcel_(1)[1].pdf series_temporais[1].pdf