Расчет вероятностей тоталов через распределение Пуассона: математическое руководство

1. Введение: Математическая природа ставок на тотал голов

Тоталы сравнивают число голов по правилам расчёта с заданной линией. Половинная линия имеет победу/поражение, целая допускает возврат, четвертная делит ставку. Доля мирового оборота здесь не установлена. Ниже рассчитываются эти события при выбранной вероятностной модели.

Для большинства любителей ставки на тоталы строятся на интуитивных нарративах: истории очных встреч, недавней результативности команд, погодных условиях или атакующем стиле наставников. В профессиональном количественном трейдинге котировки тоталов рассматриваются строго как математические производные пуассоновских точечных процессов.

В этом руководстве мы разберем вывод формул вероятностей тоталов из распределения Пуассона. Мы докажем теорему о свертке пуассоновских случайных величин, выведем функцию накопленной вероятности, сопоставим одномерную свертку с суммированием по двумерной матрице точного счета, рассмотрим азиатские тоталы (с расходом и четвертными линиями) и объясним структурные смещения маржи букмекеров.

2. Математический вывод: теорема о свертке Пуассона

В базовой модели футбольного матча количество голов, забитых хозяевами ($X$) и гостями ($Y$) в основное время, моделируется независимыми распределениями Пуассона с параметрами интенсивности ${\lambda }_H>0$ и ${\mu }_A>0$:

Суммарное количество голов в матче представляет собой случайную величину $T=X+Y$.

Строгое доказательство свертки

Ключевое математическое свойство распределения Пуассона заключается в том, что сумма двух независимых пуассоновских величин также является пуассоновской величиной с суммарным параметром: $T\sim \text{Pois}({\lambda }_{\text{tot}})$, где ${\lambda }_{\text{tot}}={\lambda }_H+{\mu }_A$.

Докажем это с помощью дискретной свертки совместной функции вероятностей:

В силу независимости $X$ и $Y$ совместная вероятность равна произведению одномерных вероятностей:

Вынесем общий множитель $e^{-({\lambda }_H+{\mu }_A)}$ за знак суммы, одновременно умножив и разделив слагаемые внутри суммы на $k!$:

Согласно биному Ньютона, сумма ${\sum }_{j=0}^k\left(\genfrac{}{}{0px}{}{k}{j}\right){\lambda }_H^j{\mu }_A^{k-j}$ в точности равна ${({\lambda }_H+{\mu }_A)}^k$. Таким образом, мы получаем классическую формулу Пуассона:

Это строгое доказательство показывает: при условии независимости голов распределение суммарного тотала матча зависит исключительно от суммы ожидаемых голов (${\lambda }_{\text{tot}}$), независимо от того, как именно эти голы распределены между соперниками.

3. Расчет вероятностей для полуторных тоталов (Under/Over K.5)

Букмекерские конторы выставляют дробные линии с шагом .5 ($0.5,1.5,2.5,3.5$), чтобы исключить вероятность возврата. Ставка на «Тотал Меньше $K.5$» выигрывает при $T\le K$, а ставка на «Тотал Больше $K.5$» — при $T\ge K+1$.

Формула функции накопленной вероятности

Вероятность исхода «Тотал Меньше $K.5$» представляет собой сумму вероятностей событий от $k=0$ до $K$:

Соответственно, вероятность исхода «Тотал Больше $K.5$» равна:

Пример расчета для базового Тотала 2.5

Для стандартной линии Тотал 2.5 ($K=2$) выражение принимает компактный вид:

Предположим, статистическая модель прогнозирует среднюю результативность матча: ${\lambda }_H=1.65$ и ${\mu }_A=1.15⟹{\lambda }_{\text{tot}}=2.80$ гола:

• $P(T=0)=e^{-2.80}\approx 0.0608$ ($6.08\%$)
• $P(T=1)=2.80\cdot e^{-2.80}\approx 0.1703$ ($17.03\%$)
• $P(T=2)=\frac{{2.80}^2}{2}\cdot e^{-2.80}\approx 0.2384$ ($23.84\%$)
• $P(\text{Under }2.5)=0.0608+0.1703+0.2384=0.4695$ ($46.95\%$)
• $P(\text{Over }2.5)=1-0.4695=0.5305$ ($53.05\%$)
• Честные коэффициенты без маржи: ТМ 2.5 = $2.130$, ТБ 2.5 = $1.885$.

В следующей таблице сведены вероятности и справедливые коэффициенты для всех стандартных линий тотала при данной суммарной результативности:

4. Одномерная свертка против суммирования по матрице 2D

Хотя расчет через одномерную свертку выполняется мгновенно, в боевых аналитических системах тоталы часто вычисляют через двумерную матрицу точных счетов:

Матричный метод необходим при использовании поправки Диксона-Коулза (Dixon-Coles). В реальном футболе нулевые и результативные ничьи (0-0 и 1-1) случаются чаще, чем предсказывает базовый независимый Пуассон. Поправочный параметр $\rho$ меняет вероятности именно этих ячеек, нарушая условие одномерной свертки и требуя поэлементного суммирования треугольника матрицы.

5. Азиатские тоталы и психологическое смещение публики

В азиатских тоталах активно используются целочисленные и четвертные линии:

• Целый тотал (ТМ 2.0): При ровно 2 забитых мячах объявляется возврат (расход). Честный коэффициент с учетом возврата рассчитывается относительно пространства решающих исходов: $${\text{Fair Odds}}_{\text{ТМ 2.0}}=\frac{1-P(T=2)}{P(T\le 1)}$$
• Четвертной тотал (ТМ 2.25): Ставка разбивается пополам: 50% на ТМ 2.0 и 50% на ТМ 2.5. Если матч завершается со счетом 1-1 или 2-0 (ровно 2 гола), по половине ТМ 2.0 происходит возврат, а половина ТМ 2.5 выигрывает («полувыигрыш»).

6. Удаление маржи букмекера и смещение на ТБ

Предпочтение публикой «Больше» является эмпирической гипотезой, а не доказательством положительного EV на «Меньше». Сравнивайте цены с заданной моделью голов, одинаковым расчётом и новыми результатами. Универсальное занижение 1.5–3% или автоматически прибыльная сторона здесь не установлены.

Для очистки котировок от маржи применяется пропорциональное удаление маржи:

Если букмекерский коэффициент превышает честный коэффициент модели ($O_{\text{bookie}}>1/P_{\text{fair}}$), ставка обладает положительным математическим ожиданием:

7. Реализация на Python: расчет тоталов и справедливых коэффициентов

Ниже представлен готовый скрипт на Python для вычисления тоталов от 0.5 до 4.5 на основе пуассоновских параметров матча:

import math

def calculate_totals(lambda_h, mu_a, max_goals=10):
    lam_tot = lambda_h + mu_a
    pmf = [(lam_tot**k * math.exp(-lam_tot)) / math.factorial(k) for k in range(max_goals + 1)]
    
    lines = [0.5, 1.5, 2.5, 3.5, 4.5]
    results = {}
    for line in lines:
        k = int(math.floor(line))
        p_under = sum(pmf[:k + 1])
        p_over = 1.0 - p_under
        results[f"Under {line}"] = {"prob": p_under, "odds": 1.0 / p_under}
        results[f"Over {line}"] = {"prob": p_over, "odds": 1.0 / p_over}
    return results

8. Заключение: применение модели в трейдинге

Переход от интуитивных прогнозов результативности к пуассоновской свертке позволяет с математической точностью оценивать любые линии тоталов. Понимание свойств свертки и выявление завышенной маржи на исход «Больше» дают количественному беттору устойчивое преимущество над рынком.