Monte Carlo-simulering i bettingmodeller – så fungerar scenarioanalys

Monte Carlo-simulering är en metod för att undersöka vad som kan hända när en modell innehåller osäkerhet. I stället för att räkna fram ett enda slutresultat körs samma modell många gånger med slumpmässiga utfall enligt de sannolikheter som modellen anger.

I sport- och oddsanalys kan metoden användas för att skapa en fördelning över exempelvis tabellplaceringar, antal mål, slutspelschanser eller möjliga resultat över en serie matcher.

Det viktigaste är att förstå begränsningen: simuleringen kan aldrig vara bättre än sannolikheterna och antagandena som matas in.

Grundidén

Anta att en förenklad modell säger:

• hemmaseger 50 %,
• oavgjort 28 %,
• bortaseger 22 %.

En Monte Carlo-simulering kan dra ett slumpmässigt utfall enligt den fördelningen och sedan upprepa processen exempelvis 100 000 gånger.

Resultaten kan då hamna nära:

• cirka 50 000 hemmasegrar,
• cirka 28 000 oavgjorda,
• cirka 22 000 bortasegrar.

Små avvikelser uppstår eftersom simuleringen använder slump.

Varför simulera något vi redan har sannolikheten för?

För en enda enkel 1X2-marknad behövs normalt ingen Monte Carlo-metod. Där kan sannolikheterna läsas direkt.

Metoden blir mer intressant när många osäkra händelser påverkar varandra, exempelvis:

• 30 återstående ligaomgångar,
• flera lags olika styrka,
• hemma- och bortafördelar,
• målskillnad,
• kval- och slutspelsregler,
• korrelation mellan olika variabler.

Då blir den exakta analytiska lösningen snabbt komplicerad.

Exempel: simulera en ligasäsong

Anta att fyra lag återstår i en titelstrid med tio matcher kvar.

För varje återstående match har modellen sannolikheter för:

• hemmaseger,
• oavgjort,
• bortaseger.

En simulering kan då:

1. dra resultat för alla återstående matcher,
2. uppdatera tabellen,
3. tillämpa målskillnad eller andra skiljeregler,
4. registrera vem som vann ligan,
5. börja om från början.

Efter 100 000 simulerade säsonger kan modellen exempelvis visa att Lag A vann 46 procent av gångerna, Lag B 31 procent och så vidare.

Detta är fortfarande modellens titelchans, inte en objektivt känd sannolikhet.

Antalet simuleringar

Ju fler körningar som används, desto mindre blir den rena Monte Carlo-bruset i resultatet.

100 simuleringar kan ge ganska stora slumpmässiga variationer.

100 000 eller 1 000 000 körningar ger normalt en stabilare approximation av den fördelning som modellen själv beskriver.

Men fler simuleringar löser inte felaktiga antaganden.

Modellfel och simuleringsfel är olika saker

Det finns två separata osäkerheter:

Simuleringsfel

Uppstår för att ett ändligt antal slumpdragningar används. Det minskar när antalet simuleringar ökar.

Modellfel

Uppstår när de underliggande sannolikheterna eller strukturen är fel.

Det kan inte lösas genom att köra fler simuleringar.

En miljon körningar av en dålig modell ger bara en mycket exakt beskrivning av en dålig modell.

Exempel med mål

Anta att en modell uppskattar:

• hemmalagets förväntade mål: 1,7,
• bortalagets förväntade mål: 1,1.

Om målen modelleras med Poissonfördelningar kan simuleringen dra ett antal mål för varje lag i varje körning.

Därefter kan man uppskatta hur ofta simuleringen ger:

• hemmaseger,
• oavgjort,
• bortaseger,
• över 2,5 mål,
• båda lagen gör mål,
• exakta resultat.

Det är ett sätt att använda samma målmodell till flera relaterade marknader.

Korrelation måste modelleras

Ett vanligt problem är att behandla variabler som oberoende trots att de inte är det.

Exempel:

• ett tidigt rött kort påverkar målchanser,
• ett lag som leder kan ändra spelstil,
• skador kan påverka flera spelare samtidigt,
• väder kan påverka båda lagens offensiv.

Om simuleringen inte modellerar beroendet kommer inte ett stort antal körningar automatiskt rätta till problemet.

Monte Carlo och kombinationsspel

Metoden kan användas för att uppskatta gemensamma sannolikheter för korrelerade utfall.

Exempel från samma match:

• hemmaseger,
• över 2,5 mål,
• hemmalaget över 1,5 mål.

I stället för att multiplicera tre separata sannolikheter kan en matchmodell simulera hela slutresultatet och sedan kontrollera hur ofta samtliga villkor uppfylls samtidigt.

Det kan ge en mer logisk gemensam sannolikhet – men bara om själva matchmodellen är välkalibrerad.

Simulera bankroll och resultatfördelning

Monte Carlo kan även användas för att studera risk i en historiskt definierad strategi.

Om en modell har en antagen sannolikhetsfördelning kan man simulera många möjliga sekvenser för att se:

• hur stora nedgångar som kan uppstå,
• hur långa förlustsviter kan bli,
• hur slutresultatet varierar,
• hur mycket slumpen påverkar ett kort urval.

Detta ska inte användas som ett löfte om framtida avkastning. Det är en scenarioanalys under givna antaganden.

Percentiler i stället för ett enda medelvärde

En fördel med simulering är att resultatet kan visas som en hel fördelning.

Exempel efter 10 000 hypotetiska säsonger:

• medianresultat: +2 %,
• 25:e percentilen: −8 %,
• 75:e percentilen: +13 %,
• 5:e percentilen: −25 %.

Det visar mer riskinformation än att bara säga att modellens genomsnitt är +2 procent.

Medelvärde kan dölja risk

Två modeller kan ha samma förväntade värde men helt olika spridning.

Modell A

Små resultatförändringar och relativt tät fördelning.

Modell B

Många förluster men några stora vinster.

Båda kan ha samma genomsnitt men ge helt olika upplevelse och riskprofil.

Monte Carlo kan visualisera den skillnaden.

Kalibrering före simulering

Innan en modell simuleras bör sannolikheterna utvärderas.

Om händelser som modellen kallar 60-procentiga bara inträffar 48 procent av gångerna i ett stort historiskt urval är modellen dåligt kalibrerad.

Simulering ovanpå dessa sannolikheter riskerar då att ge överdrivet självsäkra slutsatser.

Backtest är inte samma sak som simulering

Ett backtest kör en strategi mot faktisk historisk data.

En Monte Carlo-simulering genererar hypotetiska utfall utifrån en sannolikhetsmodell.

De svarar på olika frågor.

Backtest visar vad som hade hänt på den historiska datan under de specificerade reglerna. Simulering visar vilka resultat som är möjliga enligt modellens antagna fördelning.

Bootstrap är en närliggande metod

I stället för att anta en teoretisk sannolikhetsfördelning kan man ibland sampla om från historiska observationer med återläggning.

Det kallas ofta bootstrap.

Metoden kan vara användbar för att studera osäkerhet i ett observerat datamaterial, men är fortfarande beroende av att historiken är relevant för framtiden.

Monte Carlo skapar inte spelvärde

Simulering är ett beräkningsverktyg.

Den kan inte skapa en edge där ingen finns.

Om input säger att ett utfall har 50 procents sannolikhet och marknadspriset motsvarar en bättre sannolikhet efter marginal kommer en stor simulering inte förändra den grundläggande relationen.

Vanliga misstag

Att tro att 100 000 simuleringar gör modellen sann

De minskar bara slumpfelet i själva simuleringen.

Att mata in marknadsodds utan att ta bort marginal

Råa odds kan summera till mer än 100 procents implicit sannolikhet.

Att anta oberoende mellan korrelerade variabler

Det kan ge kraftigt felaktiga kombinationssannolikheter.

Att använda historisk data utan tidskontext

Lagstyrka, regler och spelstil förändras.

Att presentera en modellprocent som säker prognos

En simulering beskriver osäkerhet under modellens antaganden – inte en garanti.

Enkel arbetsgång

En robust Monte Carlo-analys kan struktureras så här:

1. Definiera vilka variabler som ska modelleras.
2. Uppskatta och kalibrera sannolikheterna.
3. Modellera relevanta beroenden.
4. Simulera många scenarier.
5. Sammanfatta hela fördelningen, inte bara medelvärdet.
6. Testa hur känsligt resultatet är för ändrade antaganden.
7. Jämför med faktisk data när ny information kommer.

Sammanfattning

Monte Carlo-simulering upprepar en sannolikhetsmodell många gånger för att visa möjliga utfallsfördelningar.

Metoden är särskilt användbar när många händelser eller korrelationer gör en direkt beräkning svår. Den kan visa intervall, percentiler och risk – men den förbättrar aldrig automatiskt den underliggande modellen.

Spela bara för pengar du har råd att förlora. Simuleringar, modeller och historisk data kan aldrig garantera framtida resultat.