Что такое удаление маржи (devigging) в ставках на спорт?

Удаление маржи преобразует котировки полного рынка в оценки при заданной модели распределения маржи. Для применимого метода сумма равна единице; сама нормировка не раскрывает истинные вероятности.

Мультипликативный метод менее точен, чем модель Шина?

Не на ликвидных линиях закрытия 1X2 в футболе: на 2 490 матчах АПЛ (football-data.co.uk) у обоих методов Brier score 0,5676. Модель Шина дает фаворитам немного больше вероятности (+0,79 п.п. при коэффициенте ниже 1,70), а аутсайдерам немного меньше (на 0,28 п.п. меньше при коэффициенте выше 3,50), поэтому методы могут расходиться в том, есть ли у ставки на аутсайдера положительное матожидание.

Как модель Шина оценивает вероятности?

Модель Шина учитывает наличие на рынке информированных игроков (инсайдеров через параметр z) и решает квадратное уравнение, относя на высокие коэффициенты большую часть маржи.

Когда аддитивный метод неприменим?

Аддитивный метод вычитает из каждого исхода фиксированную долю маржи, что может дать отрицательную вероятность, если вычет превышает исходную вероятность. Если все результаты в [0,1], метод математически допустим.

Как модель Шина соотносится с мультипликативным методом по точности?

На выборке из 2 490 матчей АПЛ (football-data.co.uk, 7 470 исходов) все четыре метода удаления маржи показывают практически идентичную прогностическую точность (Brier Score 0,5676, log-loss 0,9583–0,9584). Однако модель Шина учитывает смещение фаворит-аутсайдер, смещая +0,79 п.п. на фаворитов и 0,28 п.п. с аутсайдеров.

Когда допустимо использовать мультипликативный метод?

Мультипликативный подход отлично работает на симметричных 2-исходных рынках с равными коэффициентами (азиатские форы и тоталы 1.95 на 1.95), где результаты всех методов практически идентичны.

Методы удаления маржи: мультипликативный против модели Шина. Математический вывод и бенчмарк 2 490 матчей | Sports Betting Math (SportsBettingMath.org)

1. Введение: эпистемологический вызов расчета вероятностей

В количественном спортивном беттинге каждый расчет математического преимущества (+EV), любая оценка перевеса над линией и вычисление оптимального размера ставки по критерию Келли опираются на единственную, непосредственно не наблюдаемую на рынке переменную: истинную справедливую вероятность ( $P_{t r u e}$ ) спортивного исхода. Открывая котировки букмекера или сканер коэффициентов, трейдер видит не чистые вероятности, а коммерческие цены ( $O_{1}, O_{2}, \dots, O_{n}$ ), искусственно искаженные букмекерской конторой для извлечения гарантированной прибыли и защиты от банкротства.

Поскольку букмекер закладывает в котировки свою комиссию — называемую маржой, оверраундом (overround) или пейгаутом, — сумма «сырых» имплицитных вероятностей всегда строго превышает 100%:

S = \sum_{i = 1}^{n} π_{i} = \sum_{i = 1}^{n} \frac{1}{O_{i}} = 1 + M > 1.000

Здесь $π_{i} = 1 / O_{i}$ обозначает сырую подразумеваемую вероятность, а $M = \sum_{i} π_{i} - 1$ безразмерный оверраунд котировок полного рынка. Наблюдаемое значение зависит от оператора, рынка и времени. Его рассчитывают по полному набору цен, а не назначают универсальный диапазон для лиги или типа ставки.

Удаление маржи (devigging) преобразует полный набор котировок в оценку вектора $P = (p_{1}, p_{2}, \dots, p_{n})$ с $\sum_{i} p_{i} = 1$ . Каждый метод задаёт модель распределения маржи. Единичная сумма не устанавливает истинные вероятности и не доказывает калибровку.

Хотя начинающие бетторы ошибочно полагают, что существует лишь одна тривиальная формула удаления маржи, финансовая эконометрика разработала целый ряд конкурирующих математических моделей. Двумя наиболее важными являются классическая мультипликативная (пропорциональная) нормализация и микроструктурная модель Шина (Shin, 1991, 1993). Выбор метода не академический вопрос: в типичном матче 1X2 он сдвигает справедливую вероятность аутсайдера примерно на один процентный пункт, и этого хватает, чтобы отдельная ставка выглядела +EV или нет. При этом на 2 490 матчах АПЛ (источник football-data.co.uk) все четыре метода показали одинаковую точность (Brier 0,5676).

2. Математический вывод четырех основных методов удаления маржи

Для создания целостной теоретической базы подробно рассмотрим математический вывод четырех основных алгоритмов очистки от маржи: мультипликативного, аддитивного, степенного (Power) и модели Шина.

Метод 1: Мультипликативная (пропорциональная) нормализация

Мультипликативный метод — самый распространенный алгоритм в бесплатных онлайн-калькуляторах и сканерах валуев. Он базируется на интуитивном допущении, что букмекер распределяет маржу по исходам строго пропорционально их сырой вероятности.

Зная сумму обратных коэффициентов $S = \sum_{k = 1}^{n} \frac{1}{O_{k}}$ , справедливая вероятность исхода $i$ вычисляется простым делением сырой вероятности на суммарный оверраунд:

p_{mult, i} = \frac{π_{i}}{S} = \frac{\frac{1}{O_{i}}}{\sum_{k = 1}^{n} \frac{1}{O_{k}}}

Справедливый коэффициент без маржи (fair no-vig odds) при этом равен:

O_{fair, mult, i} = \frac{1}{p_{mult, i}} = O_{i} \cdot S

Преимущества: Мгновенная скорость вычисления, сохранение исходного соотношения шансов между коэффициентами ( $p_{i} / p_{j} = π_{i} / π_{j}$ ) и гарантия того, что вероятности всегда положительны и в сумме дают ровно 1.000.

Главное ограничение: Модель исходит из предположения об одинаковом процентном налоге на все исходы. Однако из-за смещения «фаворит-аутсайдер» (FLB) букмекеры часто закладывают повышенную маржу в длинные позиции. На выборке из 2 490 матчей Премьер-лиги (football-data.co.uk) все четыре метода дали одинаковую точность на линиях закрытия Pinnacle (Brier 0,5676), но модель Шина сдвигает вероятность в сторону фаворитов: +0,79 п.п. для коэффициентов ниже 1,70 и −0,28 п.п. для коэффициентов выше 3,50. Выбор метода наиболее критичен для аутсайдеров и рынков с высокой маржой или множеством исходов; на ликвидных линиях 1X2 АПЛ точность от этого не изменилась.

Метод 2: Аддитивная нормализация

Аддитивный метод предполагает, что совокупный излишек маржи $M = S - 1$ распределяется как фиксированный абсолютный вычет, поровну разделенный между всеми $n$ возможными исходами события:

p_{add, i} = π_{i} - \frac{S - 1}{n} = \frac{1}{O_{i}} - \frac{\sum_{k = 1}^{n} \frac{1}{O_{k}} - 1}{n}

Преимущества: Моделирует маржу как фиксированную комиссию за обработку каждого доступного исхода.

Применимость: Аддитивный метод допустим, когда все очищенные вероятности лежат в [0,1]. Для коэффициентов (1.15, 8.00, 100.00) $S = 1.00456522$ , вероятность аутсайдера положительна: $0.0100 - (S - 1) / 3 = 0.00847826$ . В другой полной линии (1.10, 5.00, 100.00) $S = 1.11909091$ , результат отрицателен: $- 0.02969697$ . Для второй линии метод неприменим. Нельзя обнулять отрицательный результат или объявлять метод недопустимым для всех рынков.

Метод 3: Степенной метод (Power / логарифмический)

Для устранения проблем аддитивного метода и адекватного учета нелинейного распределения маржи степенной метод масштабирует сырые вероятности возведением в единую степень $k > 1$ :

p_{power, i} = {(π_{i})}^{k} = {(\frac{1}{O_{i}})}^{k}

Где показатель степени $k$ подбирается численно так, чтобы сумма вероятностей равнялась единице:

\sum_{i = 1}^{n} {(\frac{1}{O_{i}})}^{k} = 1.000

Поскольку $k > 1$ , возведение в степень снижает малые вероятности гораздо сильнее в процентном отношении, чем большие. Например, при $k = 1.10$ вероятность $0.80$ превращается в ${(0.80)}^{1.10} = 0.782$ (снижение на 2.2%), тогда как вероятность $0.05$ падает до ${(0.05)}^{1.10} = 0.037$ (снижение на 25.9%). Степенной метод строго удерживает значения в диапазоне [0, 1] и служит отличным практическим приближением к реальным рыночным кривым.

Метод 4: Микроструктурная модель Шина (Shin, 1991, 1993)

В отличие от чисто алгебраических подходов, экономист Хён Сон Шин построил модель, основанную на теории игр и микроструктуре финансовых рынков. Шин показал, что ценообразование букмекера определяется взаимодействием двух категорий клиентов:

Шумовые игроки (доля $1 - z$ ): Обычные рекреационные любители, ставящие под воздействием эмоций и когнитивных искажений.
Информированные трейдеры / инсайдеры (доля $z$ ): Профессиональные синдикаты, точно знающие исход матча на основе закрытой информации.

Если инсайдер делает крупную ставку на фаворита, контора рискует лишь небольшой суммой чистой прибыли. Но если инсайдер ставит на сенсацию с коэффициентом 12.00, финансовый ущерб для букмекера может оказаться фатальным. Чтобы нивелировать угрозу разорения со стороны информированных игроков, букмекер вынужден агрессивно занижать коэффициенты на маловероятные исходы.

Шин доказал, что объявленная вероятность $π_{i} = 1 / O_{i}$ , истинная вероятность $p_{i}$ и доля инсайдеров $z \in [0, 1)$ связаны строгим соотношением:

\frac{π_{i}^{2}}{S} = z p_{i} + (1 - z) p_{i}^{2}, S = \sum_{k} π_{k}

Обозначая $S = \sum_{k = 1}^{n} π_{k}$ и учитывая нормировку $\sum p_{k} = 1$ , решение квадратного уравнения дает формулу инверсии Шина:

p_{i} (z) = \frac{\sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}} - z}{2 (1 - z)}

При z = 0 формула дает p_i = π_i/√S, что суммируется к 1 только при отсутствии маржи, поэтому любая положительная маржа означает z > 0.

3. Численный алгоритм и исследование сходимости

В реальной аналитической работе параметр $z$ неизвестен заранее и находится численно для каждого набора коэффициентов из условия нормировки:

F (z) = \sum_{i = 1}^{n} p_{i} (z) - 1 = \sum_{i = 1}^{n} [\frac{\sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}} - z}{2 (1 - z)}] - 1 = 0

Аналитический вывод производной Ньютона-Рафсона

Для создания высокопроизводительного солвера с квадратичной скоростью сходимости ( $𝒪 (ϵ^{2})$ ) вычислим точную частную производную $\frac{\partial p_{i}}{\partial z}$ по правилу дифференцирования дроби:

\frac{\partial p_{i}}{\partial z} = \frac{1}{2 {(1 - z)}^{2}} (\sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}} - z) + \frac{1}{2 (1 - z)} (\frac{2 z - 4 \frac{π_{i}^{2}}{S}}{2 \sqrt{z^{2} + 4 (1 - z) \frac{π_{i}^{2}}{S}}} - 1)

Итерационная формула метода Ньютона-Рафсона имеет классический вид:

z_{k + 1} = z_{k} - \frac{F (z_{k})}{\sum_{i = 1}^{n} \frac{\partial p_{i}}{\partial z} (z_{k})}

В качестве стартовой точки превосходно работает аналитическая оценка $z_{0} = \frac{S - 1}{S \cdot (n - 1)}$ , позволяющая алгоритму сойтись к машинной точности менее чем за 4 шага.

Реализация солвера Шина на Python

import math

def devig_shin(odds_list, tolerance=1e-10, max_iter=100):
    # Вычисляет истинные вероятности по модели Шина (1991, 1993)
    # Возвращает (fair_probabilities, z_parameter)
    raw_p = [1.0 / o for o in odds_list]
    S = sum(raw_p)
    
    low_z = 0.0
    high_z = 0.40
    
    def compute_sum(z):
        if abs(z - 1.0) < 1e-9:
            return sum(raw_p) / S
        s = 0.0
        for pi in raw_p:
            term = math.sqrt(z**2 + 4.0 * (1.0 - z) * (pi * pi / S))
            p_i = (term - z) / (2.0 * (1.0 - z))
            s += p_i
        return s

    z = (low_z + high_z) / 2.0
    for _ in range(max_iter):
        f = compute_sum(z) - 1.0
        if abs(f) < tolerance:
            break
        if f > 0:
            low_z = z
        else:
            high_z = z
        z = (low_z + high_z) / 2.0
        
    fair_probs = []
    for pi in raw_p:
        term = math.sqrt(z**2 + 4.0 * (1.0 - z) * (pi * pi / S))
        p_i = (term - z) / (2.0 * (1.0 - z))
        fair_probs.append(p_i)
        
    total = sum(fair_probs)
    return [p / total for p in fair_probs], z

4. Эмпирический бенчмарк: 2 490 матчей Премьер-лиги (football-data.co.uk)

Для объективной проверки прогностической силы каждого метода мы протестировали их на стандартизированной выборке из 2 490 матчей Английской Премьер-лиги за семь сезонов с августа 2019 по январь 2026 года (7 470 котировок рынка 1X2, источник: football-data.co.uk, массив: public/papers/epl-closing-lines-2019-2026.csv). Средний оверраунд закрытия в выборке составил 2,70% у Pinnacle и 4,16% в среднем по рынку.

Для оценки качества калибровки вероятностей использовались общепринятые статистические метрики:

Brier Score: Среднеквадратичная ошибка между прогнозными вероятностями и бинарным вектором фактов ( $y_{t, i} \in {0, 1}$ ). Меньшие значения указывают на более точную калибровку.
Log-Loss (кросс-энтропия): Штрафует за самоуверенные ошибочные предсказания.

Результаты тестирования на 2 490 матчах (закрытие Pinnacle)

Метод удаления маржи	Brier Score	Log-Loss	Прогностическая калибровка	Структура распределения
Мультипликативный	0.5676	0.9584	Базовая точность	Пропорциональное распределение маржи по всем исходам
Аддитивный	0.5676	0.9584	Эквивалентная точность	Равномерный вычет (риск отрицательных вероятностей на андердогах)
Степенной (Power)	0.5676	0.9583	Эквивалентная точность	Нелинейное экспоненциальное перераспределение
Модель Шина	0.5676	0.9583	Эквивалентная точность	Учитывает параметр инсайдеров z; переносит +0,79 п.п. на фаворитов и 0,28 п.п. с аутсайдеров

Эмпирические данные по 2 490 матчам (7 470 исходам) из football-data.co.uk демонстрируют, что все четыре метода удаления маржи обеспечивают практически одинаковую точность калибровки вероятностей на котировках закрытия Pinnacle: Brier score равен 0,5676 для каждого метода (разница менее 0,0001), а логарифмическая функция потерь (log loss) находится в узком диапазоне 0,9583–0,9584. При этом методы существенно расходятся в распределении вероятностей по диапазонам котировок: относительно мультипликативного метода модель Шина корректирует вероятности в среднем на +0,79 процентных пункта для тяжелых фаворитов с кэфом ниже 1.70 (953 исхода), на +0,10 процентных пункта для средних котировок от 1.70 до 3.50 (2 848 исходов) и на −0,28 процентных пункта для аутсайдеров с коэффициентом выше 3.50 (3 669 исходов).

5. Прямой финансовый ущерб: искажение сайзинга по Келли

Почему математическая точность удаления маржи критична для реального игрока? В количественном трейдинге вероятности напрямую определяют долю банка для ставки через критерий Келли:

f^{*} = p - \frac{1 - p}{O - 1}

Когда методы расходятся на аутсайдере

Рассмотрим условный матч со следующей линией закрытия и маржой 4.62%:

Фаворит: $O_{1} = 1.33$ ( $π_{1} = 75.19 %$ )
Ничья: $O_{2} = 5.20$ ( $π_{2} = 19.23 %$ )
Аутсайдер: $O_{3} = 9.80$ ( $π_{3} = 10.20 %$ )

Предположим, рекреационный букмекер предлагает поставить на аутсайдера за $O = 10.50$ . Сравним выводы двух методов:

Параметр	Мультипликативный метод	Модель Шина ( $z = 0.024$ )	Финансовое расхождение
Справедливая вероятность ( $p$ )	9.75%	8.96%	Мультипликативный метод на 0.79 п.п. выше модели Шина
Справедливый кэф	10.25	11.17	Мультипликативный метод показывает справедливый кэф на 8.2% ниже
Матожидание при кэфе 10.50	+2.38% (+EV)	-5.92% (-EV)	Разрыв в 8.30 п.п. в оценке перевеса
Размер ставки по Келли	+0.25% банкролла	0.00% (Ставки нет)	Ставка с отрицательным EV по модели Шина

Игрок, использующий мультипликативный метод, видит валуй (+2.38% EV) и рискует банкроллом. По модели Шина ставка имеет отрицательное матожидание -5.92%. Методы расходятся даже в знаке перевеса, а на 2 490 матчах ни один не оказался точнее, поэтому подтверждённого перевеса у такой ставки нет.

Обратный эффект на фаворитах

Сумма вероятностей равна единице, поэтому то, что мультипликативный метод добавляет аутсайдерам относительно модели Шина, он забирает у фаворитов. В том же матче из примера (1.33 / 5.20 / 9.80) у фаворита 71.87% по мультипликативному методу и 73.19% по модели Шина. Если другой букмекер предлагает этого фаворита за 1.38:

По мультипликативному расчету: $EV = (0.7187 \times 1.38) - 1 = - 0.82 %$ (ставка отбрасывается).
По модели Шина: $EV = (0.7319 \times 1.38) - 1 = + 1.00 %$ (ставка с перевесом).

Методы расходятся в знаке перевеса и на фаворитах. На 2 490 матчах ни один из них не оказался точнее, поэтому такая ставка пограничная: она имеет смысл, только если перевес сохраняется при обоих методах.

Эмпирическая интерпретация: границы применимости на реальных данных

На стандартизированной выборке из 2 490 матчей Премьер-лиги (7 470 исходов рынка 1X2, источник: football-data.co.uk) все четыре метода удаления маржи показали одинаковую общую точность по Brier Score (0,5676) и Log-Loss (0,9583–0,9584). Это означает, что на высоколиквидном футбольном рынке 1X2 с низкой маржой Pinnacle (в среднем 2,70%) выбор конкретного метода удаления маржи не дает статистически подтвержденного преимущества в общей калибровке линии.

Однако микроструктурное различие проявляется в перераспределении вероятностей по диапазонам коэффициентов. В исследованной выборке модель Шина систематически смещает вероятность в пользу фаворитов: в среднем на +0,79 процентного пункта для коэффициентов ниже 1,70, и на −0,28 процентного пункта для коэффициентов выше 3,50 по сравнению с мультипликативным методом. Для ставок на фаворитов или в симметричных рынках разница в ожидаемой доходности невелика, но для аутсайдеров даже сдвиг в 0,5–1,0 п.п. может превратить положительный расчетный перевес в отрицательный.

Поэтому в практическом количественном моделировании выбор метода удаления маржи выполняет роль консервативного фильтра: если предполагаемый перевес (+EV) на высоком коэффициенте исчезает при переходе от мультипликативной нормализации к модели Шина, такой перевес не подтвержден: он держится только на допущении о распределении маржи, а на 2 490 матчах ни один метод не оказался точнее.

6. Практическое руководство: какой метод когда применять

Для оптимальной организации процесса количественного анализа рекомендуется распределять методы по типам рынков:

Тип рынка	Характер котировок	Рекомендуемый метод	Практическое обоснование
Азиатские форы и тоталы	Симметричные 2-исходные (1.95 / 1.95)	Мультипликативный	При равных коэффициентах мультипликативный метод и модель Шина дают идентичный результат. Мультипликативный обеспечивает мгновенную скорость.
Асимметричные 2-исходные	Теннисные матчи (1.15 против 6.00)	Шин / Power	При сильном перекосе коэффициентов модель Шина и мультипликативный метод сильнее всего расходятся на аутсайдере; сравните оба.
Классический футбол 1X2	Матч с фаворитом (1.30 / 5.50 / 9.50)	Модель Шина	Предпочтителен для аутсайдеров; на ликвидных линиях 1X2 результаты практически идентичны.
Рынки аутрайтов (победитель турнира)	События с 20+ участниками (кэфы от 3.0 до 150.0)	Шин / Power	Аддитивный метод неприменим при выходе вероятностей за [0,1], а мультипликативный расходится с моделью Шина на длинных позициях. Предпочтителен для аутсайдеров; на ликвидных линиях 1X2 результаты практически идентичны.

7. Резюме и выводы

Удаление маржи — основа количественного беттинга. Выбор метода меняет справедливую цену отдельных аутсайдеров, хотя на линиях закрытия 1X2 АПЛ все четыре метода показали одинаковую точность.

Главные тезисы: 1. Мультипликативный метод является упрощением, а не ошибкой: на линиях закрытия 1X2 АПЛ он не потерял в точности (Brier 0,5676 у всех четырех методов), но относительно модели Шина дает аутсайдерам немного больше вероятности. 2. Аддитивный метод неприменим только к линиям, где очищенные вероятности выходят за диапазон [0,1]. 3. Модель Шина учитывает смещение фаворит-аутсайдер: на выборке из 2 490 матчей АПЛ (football-data.co.uk) модель Шина перераспределяет вероятности (+0,79 п.п. на фаворитов, −0,28 п.п. на аутсайдеров), при той же точности калибровки (Brier Score 0,5676). 4. Перед расчетом ставки по Келли на андердога проверьте перевес и мультипликативным методом, и моделью Шина; если он есть только при одном методе, пропустите ставку.

Методы удаления маржи: мультипликативный против модели Шина. Математический вывод и бенчмарк 2 490 матчей