XGBoost Learning of Dynamic Wager Placement for In-Play Betting on an Agent-Based Model of a Sports Betting Exchange

我们展示了使用XGBoost这种高效的机器学习方法的第一批结果，该方法应用于Bristol Betting Exchange（BBE）中。BBE是一个开源的基于代理的模型（ABM），旨在模拟现代的体育博彩交易所，包括在赛马等赛事中进行实时投注。我们使用BBE ABM及其一系列简单的投注代理作为合成数据生成器，将其馈入我们的XGBoost ML系统中。我们的目的是让XGBoost通过学习BBE投注代理所进行的更有利可图的投注，发现有利可图的动态投注策略。在进行XGBoost训练之后，我们得到了一个或多个决策树，由XGBoost学习的决策树确定了一个具有投注策略的投注代理。该投注代理将被添加到BBE ABM中，并在各种条件和投注市场情况下进行一系列比赛的投注，以盈利作为比较和评估的主要指标。我们在此展示的初步结果表明，以这种方式训练的XGBoost确实可以学习到有利可图的投注策略，并且可以推广到学习优于用于创建训练数据的每组策略的策略。为了促进进一步的研究和增强，我们扩展的BBE完整版本，包括XGBoost集成，已在GitHub上作为开源版本免费提供。

本论文旨在使用XGBoost机器学习方法，结合Bristol Betting Exchange (BBE)开源模型，探索出一种可行的动态投注策略，并验证其在不同市场和条件下的盈利能力。

通过使用Bristol Betting Exchange (BBE)模型生成合成数据，然后将这些数据输入XGBoost机器学习系统中进行训练，得出一个或多个决策树，从而发现盈利的动态投注策略。通过将使用XGBoost学习到的决策树的投注策略添加到BBE模型中，并在不同条件和投注市场下进行投注，以盈利作为主要比较和评估指标。

实验结果表明，使用XGBoost训练的模型可以学习到盈利的投注策略，并且可以推广到学习超越用于创建训练数据的策略的策略。作者还在GitHub上开源了完整版本的BBE，包括XGBoost集成，以促进进一步的研究和改进。

最近在这个领域中，还有一些相关研究，如基于深度学习的赛马预测模型，以及基于强化学习的动态投注策略等。