Ich habe diese Visualisierung von Grund auf neu erstellt, um zu untersuchen, wie sich die Wettleitungen zwischen Fanduel und Spinnakel für dieselben Ereignisse unterscheiden. Alle Daten stammen direkt von Fanduel und Pinnacle. Die Veranstaltung ist Twins gegen White Sox über 0,5 Läufe im 1. Inning.

    • Rec Odds -Linie ist die Chancen von Fanduel
    • Scharfe Gewinnchancen sind die Chancen von Pinnacle
    • Fair Quidds -Linie ist die abgewerteten Chancen

    Ich verfolge Echtzeit-Gewinnchancen und verwende die Leistungsmethode, um für jedes Ergebnis den „fairen Wert“ zu berechnen. Die Leistungsmethode schätzt iterativ die zugrunde liegenden Wahrscheinlichkeiten, die die Chancen jedes Buchmachers impliziert, und ermöglicht es mir:

    • Quantifizieren Sie, wie viel jede Zeile von einer fairen Wahrscheinlichkeit abweicht
    • Potenzielle Wertschöpfungsmöglichkeiten identifizieren
    • Stellen Sie sich vor, wie sich diese Diskrepanzen im Laufe der Zeit entwickeln

    Ich schrieb den Schaber, die Berechnungspipeline, und generierte das Diagramm selbst. Ich habe eine ETL -Pipeline codiert, in der die Chancen mit Selen und Dramatikern extrahiert werden. Dann werden Daten in einer Pandas -Tabelle transformiert. Faire Chancen werden berechnet und Spaltendatentypen standardisiert. Zuletzt werden die Daten zur Abfrage in eine SQL -Datenbank geladen. Das Diagramm wurde mit Matplotlib erstellt.

    Von onerivenpony

    Share.

    1 Kommentar

    1. onerivenpony on

      Source: Real-time betting lines collected directly from FanDuel and Pinnacle using a custom scraper.
      Tool: Visualization made in Python with Matplotlib and Seaborn; data processed with Pandas and SQLAlchemy.
      Methods: Used the Power Method to calculate fair-implied probabilities from market odds. Graph shows deviations from fair value over time.

    Leave A Reply