1. Modellarchitektur
Das System verwendet eine mehrstufige Datenverarbeitungs-Pipeline:
Pipeline: D → F(D) → M(F) → T(M) → P2. Modellspezifikationen
| Modellkennung | Golsinyali AI |
| Version | v2.1 |
| Trainingsdatenfenster | 24 months |
| Trainingsdatensatz | ~120.000 Spiele |
| Kumulierte Anzahl der Analysen | 50,000+ |
| Aktualisierungsfrequenz des Modells | Wöchentlich |
3. Datenquellen und Feature Engineering
AMarktbasierte Merkmale (Market Features)
Differenz zwischen Eröffnungs- und Schlussquote (ΔO)Geschwindigkeit der Linienbewegung (dL/dt)Marktkonsens-Index (MCI)Sharp-Money-Indikator
BFormkennzahlen (Performance Features)
Exponentiell gleitender Durchschnitt (EMA-5, EMA-10)Expected-Goals-Differenz (xG)Heim-/AuswärtsleistungskoeffizientGoal Difference Momentum (GDM)
CHistorische Merkmale (Historical Features)
Datenbank der direkten DuelleLigaspezifische LeistungSaisonale Leistungsmuster
DKontextuelle Merkmale
HeimvorteilSpielplandichteZeitzonenanpassung
4. Mathematischer Rahmen
Die Berechnung des Konfidenzwerts verwendet eine normalisierte Distanzfunktion:
Dabei steht O für den beobachteten Quotenwert, μ für den Mittelwert des optimalen Bereichs und σ für die Standardabweichung des Bereichs.
Die Vorhersage wird ausgelöst, wenn der Konfidenzwert den Schwellenwert überschreitet und der Quotenwert innerhalb des akzeptablen Bereichs liegt.
5. Vorhersagetypen und Akzeptanzkriterien
Spielergebnis (1X2)
P(MS) = f(O_home, O_away) where O ∈ [1.40, 2.00]Die Bestimmung des Favoriten basiert auf dem europäischen Quotensystem
Akzeptanz: 1.40 ≤ O_fav ≤ 2.00Über 2,5 Tore
P(O2.5) = g(L_ou) where L ∈ [2.5, 3.5]Die Torerwartung ist an die Over/Under-Linie gekoppelt
Akzeptanz: 2.5 ≤ Line ≤ 3.5Beide Teams treffen (BTTS)
P(BTTS) = h(O_draw, L_ou) where O_x ≤ 4.0 ∧ L ∈ [2.5, 3.75]Akzeptanzkriterium mit zwei Bedingungen
Akzeptanz: O_draw ≤ 4.00 ∧ 2.50 ≤ L ≤ 3.756. Backtesting-Ergebnisse
Die Modellleistung wurde anhand eines 24-monatigen Out-of-Sample-Testdatensatzes bewertet:
Gesamtleistung
Konfusionsmatrix (normalisiert)
Berechnet auf Basis der letzten 10.000 Vorhersagen
7. Kalibrierung des Konfidenzwerts
Das Modell liefert gut kalibrierte Wahrscheinlichkeiten. Die folgende Tabelle vergleicht die vorhergesagten Konfidenzintervalle mit den beobachteten Trefferquoten:
| Vorhergesagt | Beobachtet | Anzahl der Stichproben | Δ |
|---|---|---|---|
| 70-75% | 72.3% | 2,847 | +2.3% |
| 75-80% | 77.8% | 3,521 | +2.8% |
| 80-85% | 82.1% | 2,198 | +2.1% |
| 85-90% | 86.4% | 1,102 | +1.4% |
| 90-95% | 91.2% | 332 | +1.2% |
8. Analyse der Merkmalswichtigkeit
Wichtigkeitswerte der Merkmale, berechnet mit der Permutationsmethode:
9. Methodische Einschränkungen
- [1]Das Modell berücksichtigt keine Echtzeitereignisse (Verletzungen, Rote Karten, Wetterbedingungen)
- [2]Vorhersagen sind statistische Wahrscheinlichkeiten; es gibt keine Garantie für ein deterministisches Ergebnis
- [3]Marktmanipulation und Insiderhandel liegen außerhalb des Betrachtungsbereichs
- [4]In unterklassigen Ligen kann die Leistung aufgrund unzureichender Daten nachlassen
- [5]Das Modell erkennt Korrelationen; es zieht keine kausalen Schlüsse
10. Referenzen und Methodik
- [1]Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal.
- [2]Štrumbelj, E., & Vračar, P. (2012). Simulating a basketball match with a homogeneous Markov model.
- [3]Dixon, M. J., & Coles, S. G. (1997). Modelling Association Football Scores. Applied Statistics.
- [4]Constantinou, A. C., et al. (2012). Profiting from an inefficient association football gambling market.
11. Unternehmensinformationen
Tarsier Vision LTD
UK Company #14646033
Dieses System wird von Tarsier Vision LTD (UK Company #14646033) entwickelt und betrieben.