Pinnacle

Att hitta en nischad marknad inom betting kan ofta leda till värde. Det kan röra sig om allt från specialkunskaper om handbollsbetting till att ha stor erfarenhet av att spela på japansk baseboll. Om du vet mer än spelbolaget finns det pengar att tjäna. Nischade marknader kan också vara en grogrund för intressanta och potentiellt lönsamma spel eftersom de ibland är mer förutsägbara än en del mer

Fotbollsodds

En hörna är en oväntat intressant händelse i fotboll. Även om bara cirka tre procent av dem leder till mål tas varje hörna emot med jubel av det anfallande lagets supportrar. Läs vidare för att ta reda på hur du kan dra nytta av odds på hörnor.

Odds på hörnor i fotboll: Värdet av en obskyr marknad

Poissonfördelning är ett matematiskt koncept för att omvandla medelvärden till sannolikheter för olika utfall inom en fördelning. Om vi till exempel vet att Manchester City gör i genomsnitt 1,7 mål per match kan man med en Poissonfördelningsformel få reda på att det motsvarar 18,3 % sannolikhet att Manchester City gör 0 mål, 31 % sannolikhet att de gör 1 mål, 26,4 % att de gör 2 mål och 15 % att de

I kombination med historiska data kan Poissonfördelning utgöra ett enkelt och pålitligt sätt att räkna fram det mest troliga resultatet av en fotbollsmatch. Denna enkla guide visar hur man räknar fram de nödvändiga anfalls-/försvarsvärdena. Du får också reda på hur man enkelt kan generera Poissonfördelningsvärden. På nolltid kommer du att ha lärt dig hur man räknar fram troliga fotbollsresultat med hjälp av Poissonfördelning.

Förutse fotbollsresultat med Poissonfördelning

  Väntevärde Den summa en spelare kan förvänta sig att vinna eller förlora genom att spela till samma odds flera gånger. Detta beräknas med hjälp av en enkel ekvation: multiplicera sannolikheten för vinst med den summa du kan vinna per insats, och dra ifrån sannolikheten för förlust multiplicerat med den förlorade summan per insats.  Ordlista►   Här kommer ett enkelt praktiskt exempel på väntevärde.

Ett spels väntevärde är summan som man kan vänta sig att vinna (i genomsnitt). Därför är det den viktigaste uträkningen när du jämför olika spelbolags odds. Hur kan du förutspå dina vinster genom att beräkna oddsens väntevärde? Läs vidare för att få reda på det.

Så beräknar du väntevärde

För att maximera din lönsamhet på tennisodds och kunna välja rätt alternativ bör du känna till alla tillgängliga insatstyper. Tennisens mest grundläggande insatstyp är matchvinnare. Då satsar du på om du tror att en tennisspelare ska slå sin motståndare och gå vidare till nästa omgång. Ta till exempel matchen mellan Murray och De Schepper i 2016 års Hyundai Hopman Cup. Murray vann i två set med siffrorna 6-2, 6-2. Eftersom Pinnacle slutodds

Nu när Australian Open strax börjar bör du känna till tennisens mest grundläggande insatstyper och vilka som ger bäst möjlighet till förtjänst. Gör dig redo för 2016 år första Grand Slam.

Så fungerar handikappodds i tennis

<p>När Jonathon tog examen i finans och ekonomi på University of Sydney skrev han en avhandling om Premier League-oddsmarknadernas effektivitet. Sedan dess har han arbetat som kapitalstrateg och bookmaker. Hans främsta intresseområden är tennis, cricket och behavioristiska biaser.</p>

Jonathon Brycki

<p>I en <a href="https://www.pinnacle.com/en/betting-resources/sv/tennis/how-to-price-a-tennis-match/nbkjm2n7pjg4dnfj">tidigare artikel</a> förklarade jag hur man bygger en sannolikhetsmodell för tennis utifrån spelarnas serveprocent. Jag visade hur den modellen kan användas till att bedöma vinstsannolikheter (och i förlängningen rättvisa odds) för gem, set och matcher. Modellen var begränsad eftersom den inte tog hänsyn till momentum under pågående match, och kunde därför inte utökas till att omfatta total- eller handikappspel.</p>
<blockquote>Momentum-effekten är mindre mellan andra och tredje set än mellan första och andra</blockquote>
<p>I den här artikeln bygger jag vidare på den modellen med målet att analysera och sätta ett värde på momentum mellan set. Återigen ligger serveprocent till grund för modellen.</p>
<h3>Set-momentum</h3>
<p>Momentum är en viktig faktor i tennismatcher. I artikeln <a href="https://www.pinnacle.com/en/betting-articles/Tennis/tennis-set-betting/M4WJWELXK8T87AYQ">Odds och statistik för set i tennis</a> visade jag att spelare som vunnit första set har större sannolikhet att vinna även andra set (när man tagit hänsyn till oddsen innan matchen). De spelarna presterade i genomsnitt 16&nbsp;% bättre i andra set i alla ATP-matcher sedan 2010. Detta visas i nedanstående diagram.</p>
<p><img src="/sites/default/files/media-image/tennis-1.jpg" alt="tennis-1.jpg" title width="600" height="288" loading="lazy"></p>
<p>Generellt minskar effekten i takt med att spelarnas implicita vinstsannolikheter ökar. Med andra ord brukar underdogs föra med sig större momentum till andra set än favoriter.</p>
<p>Genom att konvertera diagrammet till implicita odds blir detta förhållande tydligt. Exempel: en spelare som enligt oddsen har 11–20&nbsp;% chans att vinna matchen bör i genomsnitt ha ett rättvist odds på 4,78 för andra set. Men om spelaren vunnit första set sänks det implicita oddset för andra set till i genomsnitt 3,0.</p>
<p><img src="/sites/default/files/media-image/tennis-2.jpg" alt="tennis-2.jpg" title width="600" height="404" loading="lazy"></p>
<p>På samma sätt har en spelare som jämnar ut ställningen till 1–1 i set genom att vinna set två större chans att vinna set tre. Momentum-effekten är mindre mellan andra och tredje set än mellan första och andra. Effektens storlek är i genomsnitt bara 1,4 %.</p>
<p><img src="/sites/default/files/media-image/tennis-3.jpg" alt="tennis-3.jpg" title width="600" height="315" loading="lazy"></p>
<p>Vad momentum mellan set innebär för vår modell är att vi behöver uppdatera grundsannolikheterna (och därmed även serveprocentsatserna) för att spegla det som förväntas ske under matchen. Vi börjar med att analysera momentum-effekten mellan första och andra set.</p>
<div class="cta-container latest-odds">
<h2>Ta del av de bästa tennisoddsen</h2>
<p>Spela nu med de bästa marginalerna och högsta gränserna&nbsp;</p> <a id="LatestOddsCTA" class="button" href="https://www.pinnacle.com/en/odds-list/countries/tennis">De senaste oddsen</a></div>
<h3>Momentum mellan första och andra set</h3>
<p>Tidigare analyser visar att vinstsannolikheterna för set och match kan modelleras med hjälp av skillnaden mellan spelarnas serveprocent. Diagrammet nedan visar hur en skillnad i serveprocent påverkar sannolikheten att vinna ett set. En spelare som till exempel vinner 4 % fler servepoäng än sin motståndare väntas vinna 64 % av sina set.</p>
<p><img src="/sites/default/files/media-image/tennis-4.jpg" alt="tennis-4.jpg" title width="600" height="282" loading="lazy"></p>
<p>Utifrån detta förhållande kan vi uttrycka vinstsannolikheten i andra set för en spelare som redan vunnit första set som den motsvarande ökningen av serveprocenten. Detta visas i följande diagram. Om en spelare som till exempel getts 65&nbsp;% chans att vinna matchen innan den startade (implicit odds på 1,54) vinner första set bör den spelarens serveprocent i andra set öka med 2,3&nbsp;%.</p>
<p><img src="/sites/default/files/media-image/tennis-5.jpg" alt="tennis-5.jpg" title width="600" height="278" loading="lazy"></p>
<h3>Momentum mellan andra och tredje set</h3>
<p>Med tanke på att det inte finns någon urskiljbar trend i de implicita sannolikheterna antog jag att vinnaren av andra set hade en fast fördel på 1,4&nbsp;% i tredje set. Det motsvarar en serveprocentjustering på 0,45&nbsp;% i förhållande till serveprocenten före match.</p>
<h3>Hur ser modellen ut?</h3>
<p>Jag simulerade modellen för 150&nbsp;000 matcher genom att variera spelarnas serveprocent. Diagrammet nedan visar förhållandet mellan modellens vinstsannolikheter för match och set. Det visar även samma förhållande för alla ATP-matcher sedan 2010. Diagrammet tyder på att modellen ger en god uppskattning av faktiska setresultat.</p>
<p><img src="/sites/default/files/media-image/tennis-6-new.jpg" alt="tennis-6-new.jpg" title width="600" height="321" loading="lazy"></p>
<p>Nu ska vi ta en titt på sambandet mellan vinstsannolikheterna i andra och tredje set för spelare som redan vunnit första respektive andra set. Diagrammet nedan jämför modellen med alla ATP-matcher sedan 2010.</p>
<p><img src="/sites/default/files/media-image/tennis-7-new.jpg" alt="tennis-7-new.jpg" title width="600" height="321" loading="lazy"></p>
<p>Återigen tycks modellen vara väl kalibrerad. Nästa steg är att ta reda på hur träffsäkert modellen bedömer sannolikheterna för totaler och handikapp. De data som jag utgick från i den här analysen innehåller visserligen inte total- eller handikappodds för varje match, men vi kan jämföra faktiska matchutfall med modellens simuleringar.</p>
<div class="articleV2 unordered-list">
<ul>
<li>Läs: <a style="color: #f50;" id="articleLink" href="/betting-resources/sv/tennis/how-to-bet-on-tennis/qrf267l88zejp4j4">Nybörjarguide till tennisbetting</a></li>
</ul>
</div>
<p>Vi börjar med att titta på matcher som på förhand väntades vara jämna, det vill säga där varje spelares implicita vinstsannolikhet ligger mellan 40 och 60&nbsp;%. Jag simulerade 30 000 matcher (kring den genomsnittliga ATP-serveprocenten på 64 %) och antecknade totalerna och handikappen. Dessa jämförs i diagrammen nedan med de över 6 000 ATP-matcher som fallit inom detta implicita sannolikhetsspektrum sedan 2010.</p>
<p><img src="/sites/default/files/media-image/tennis-8.jpg" alt="tennis-8.jpg" title width="600" height="270" loading="lazy"></p>
<p><img src="/sites/default/files/media-image/tennis-9.jpg" alt="tennis-9.jpg" title width="600" height="271" loading="lazy"></p>
<p>Även om modellen tycks vara hyfsat väl kalibrerad märker vi att den underskattar gemtotaler på mellan 12 och 18 (när förloraren vinner högst sex gem) och överskattar totaler på över 30.</p>
<div class="articleV2 unordered-list">
<ul>
<li><a style="color: #f50;" id="articleLink" href="/betting-resources/sv/tennis/how-to-price-a-tennis-match/nbkjm2n7pjg4dnfj">Game, set och match: Sannolikhetsbedömningar i tennis</a></li>
</ul>
</div>
<p>Den andra stora avvikelsen är överskattningen av totaler på 22 och 23, och underskattningen av totaler på 26. Det leder i sin tur till att modellen överskattar små handikapp och överskattar stora.</p>
<p>Hur ser det ut för mer ojämna matcher? Diagrammet nedan visar gemtotaler för implicita sannolikheter på 60–80&nbsp;% (motsvarande 20–40&nbsp;% för motståndaren).</p>
<p><img src="/sites/default/files/media-image/tennis-10.jpg" alt="tennis-10.jpg" title width="600" height="271" loading="lazy"></p>
<p>Modellens svaghet gör sig påmind här också. Vad är det egentligen som pågår? Diskrepansen tyder på att det inte är tillräckligt dynamiskt att bara uppdatera serveprocenten (och därmed även sannolikheterna) i slutet av varje set. Egentligen borde man justera serveprocenten efter varje gem – allra helst efter varje poäng.</p>
<p>Om en spelare leder med 3–0 i första set bör spelarens serveprocent inte bara uppdateras för andra set men även för resten av första. Ett första set som slutat 6–2 har därmed större inverkan på oddsen för andra set än ett jämnare första set som till exempel slutat 7–5.</p>
<p>Genom att kvantifiera och införliva dessa faktorer bör diskrepansen mellan modellen och faktiska ATP-matcher försvinna, och då kan modellen ge mer träffsäkra odds på alla primära tennismarknader. Den analysen visas i del två av den här artikeln.</p>
<p><strong>För att få full nytta av våra <a href="https://www.pinnacle.com/en/odds-list/countries/tennis">oslagbara odds</a> bör du läsa fler av Pinnacles <a href="https://www.pinnacle.com/en/betting-resources">speltips skrivna av experter</a></strong>.</p>

När man tippar utfall i tennis, särskilt under pågående match, får man inte glömma vikten av momentum. Jonathon Brycki bygger i sin senaste artikel en modell för att analysera och sätta ett värde på momentum mellan set i tennismatcher.