Approche
La stratégie de paris est la suivante. Après avoir traité les données round par round
de chaque combat, ainsi que des données supplémentaires telles que le classement des combattants
ou encore les côtes du combat, nous entrainons des modèles de machine learning sur ces features
dans l'objectif de donner les probabilités de victoire des deux combattants. Nous avons ensuite mis
en place un second modèle qui va prédire l'expected value associée à chaque combattant. Cela nous permet
ensuite de prendre une décision pour le combat considéré. En utilisant cette méthode, nous avons donc pu
simulé l'évolution d'une bankroll et du ROI sur une période de cinq ans, de 2020 à 2025. Lors des simulations,
nous plaçons l'algorithme en situation réelle, en ne lui donnant que les données auxquelles il aurait eu accès
à la date du combat. Les résultats sont déjà très satisfaisants : 8% de ROI dans le milieu professionnel
constitue un réel accomplissement. Néanmoins, nous continuons à travailler sur les modèles et la stratégie de paris
pour en améliorer l'efficacité.
Nos réseaux