Модель ставок MLB: Создайте собственную систему (2026)

MLB Модель для ставок: построй свою систему с нуля (2026)

Представь себе: вторник, утро — полный слейт MLB выходит через 3 часа, и нужно оценить 14 игр. Интуиция подсказывает, что "Додджерс" — это надёжный вариант. Твой друган клянётся, что "Уайт Сокс" "должны отыграться". А тем временем профессионалы двигают коэффициент, о котором никто не говорит.

Вот в чём разница между тобой и профессионалами: у них есть модель. Не хрустальный шар — это систематический процесс, который конвертирует данные в вероятности, сравнивает эти вероятности с коэффициентами на рынке и точно показывает, какие ставки имеют положительное матожидание. Это тот же аналитический подход, который профессионалы в прогнозировании спорта используют, но в автоматизированном виде.

Хорошая новость? На 2026 год все данные, которые тебе нужны для построения MLB модели для ставок, доступны бесплатно. FanGraphs, Baseball Savant и Statcast предоставляют те же сырые числа, которые используют профессиональные синдикаты. Различие между победителями и остальными — в том, как они преобразуют эти числа в признаки моделей, обучают модели, которые на самом деле предсказывают результаты, и управляют банкроллом дисциплинированно.

Это руководство проведёт тебя через весь процесс — от первой таблицы до полнофункциональной Python-модели ансамбля. Совершенно ли ты новичок или data scientist, ищущий идеи по инженерингу признаков для MLB — для каждого найдется подходящий уровень. Давай построим что-то, что действительно работает.

Кратко — справка по MLB модели для ставок

Уровни модели в сравнении

Для кого этот гайд

Это руководство для тех, кто хочет перейти от интуитивных прогнозов к система ставок на MLB на основе данных. Тебе не нужна степень в статистике — если ты можешь работать с таблицей, ты можешь начать с уровня 1. Если ты знаешь базовый Python, переходи сразу на продвинутый раздел.

Что такое MLB модель для ставок (и зачем её строить)?

Модель vs интуиция — ключевое отличие

Модель для ставок — это машина вероятностей. Ты загружаешь в неё данные (статистика питчеров, факторы парков, использование буллпена), и она выдаёт вероятность для каждого возможного результата. Эта вероятность потом сравнивается с коэффициентами на рынке, чтобы найти ставки с положительным матожиданием.

Разница важна: когда ты "чувствуешь", что "Додджерс" выиграют, ты не знаешь, справедлив ли коэффициент -180. Когда твоя модель говорит, что у "Додджерс" 63% шансов на победу, ты можешь рассчитать, что -180 подразумевает только 64,3% — то есть рынок справедливо оценен и ставить нечего.

Что действительно делает хорошая модель

Хорошая MLB модель для ставок делает три вещи:

1. Предсказывает вероятность победы точнее, чем рынок (даже на 2-3%)
2. Определяет +EV ставки, где твоя вероятность превышает предполагаемые коэффициентом шансы
3. Правильно размеризует ставки используя критерий Келли или его вариант

Она НЕ предсказывает победителей с уверенностью. Модель с 55% — это экстремально прибыльно при правильных коэффициентах. Цель — не точность, а калибровка и определение преимущества. Если хочешь узнать, как профессионалы составляют коэффициенты и оценивают игры MLB, посмотри наш гайд по процессу определения коэффициентов.

Выбери свой уровень — новичок, продвинутый или эксперт

Новичок: таблица + ключевые показатели

Начни здесь, если ты никогда не строил модель. Отслеживай 4-5 ключевых показателей в таблице (xFIP питчера, wOBA команды, рабочая нагрузка буллпена, фактор парка) и присвой простые веса. Ты не выиграешь постоянно у Вегаса, но научишься процессу и перестанешь делать чисто эмоциональные ставки.

Время: 1-2 недели | Инструменты: Google Sheets или Excel | Данные: FanGraphs

Если ты совсем новичок в спортивной аналитике, начни с нашего гайда по стратегии ставок на аутсайдеров MLB, чтобы увидеть, как выглядит система на основе данных, прежде чем строить свою.

Продвинутый: Python + регрессия

Уровень вверх с библиотеками pandas и scikit-learn в Python. Строй модели логистической регрессии, рассчитывай правильную значимость признаков и проверяй на исторических коэффициентах. Это уровень, на котором работают большинство прибыльных любительских ставочников.

Время: 3-4 недели | Инструменты: Python, Jupyter Notebooks | Данные: FanGraphs + Statcast

Эксперт: XGBoost + методы ансамбля

Комбинируй несколько типов моделей (линейная регрессия, логистическая регрессия, XGBoost) в ансамбль, который надёжнее, чем любая отдельная модель. Добавь продвинутые признаки: данные на уровне подач, тенденции страйк-зоны арбитра и корректировки состава в реальном времени.

Время: 6-8 недель | Инструменты: Python, XGBoost, LightGBM | Данные: Statcast + API погоды

Этот же фреймворк подходит для других видов спорта. Посмотри наше разложение системы ставок на NBA и гайд по стратегии ставок на NFL, если строишь кроссспортивные модели. Для мозгового штурма по признакам и очистки данных многие разработчики теперь используют подсказки для ChatGPT по ставкам на спорт, чтобы ускорить начальные этапы разработки модели. Для более простого формата ставок на футбол наше разложение вероятностей футбольных боксов показывает, как схемы подсчётов создают распределения коэффициентов, которые можно использовать.

Этап 1: Сбор данных — откуда брать статистику MLB

FanGraphs — командная и персональная статистика (xFIP, wOBA, K-BB%)

FanGraphs — это основа. Загрузи командную и персональную статистику питчеров за последние 3–5 сезонов. Ключевые метрики:

• xFIP (Expected Fielding Independent Pitching): лучше предсказывает будущую эффективность питчера, чем ERA
• wOBA (Weighted On-Base Average): показывает общую ценность атаки в одной шкале
• K-BB% (Strikeout minus Walk Rate): главный показатель качества питчера
• BABIP (Batting Average on Balls in Play): выявляет кандидатов на регрессию удачи

Statcast (Baseball Savant) — данные на уровне каждого питча

Baseball Savant предоставляет данные Statcast — exit velocity, launch angle, spin rate и ожидаемые показатели (xBA, xSLG, xwOBA). Эти «ожидаемые» статистики исключают влияние защиты и везения, давая более ясную картину истинного мастерства игроков.

Park Factors — почему место игры имеет значение

Park factors — это самая недооценённая переменная в ставках на MLB. Coors Field увеличивает набранные раны на 38%. Dodger Stadium снижает на 12%. Если твоя модель не учитывает место игры, ты упускаешь преимущество.

Прокрутите вниз, чтобы увидеть наш полный чарт park factors всех 30 стадионов с визуальным рейтингом.

Данные об арбитрах и погоде

Тенденции зоны страйка у арбитра влияют на процент страйкаутов и уолков. Арбитр с узкой зоной может добавить 0,5 раны к общему числу раньше игры. Погода — особенно скорость и направление ветра на Wrigley Field — напрямую влияет на тоталы больше/меньше.

Таблица бесплатных и платных источников данных

Используй Odds Converter для переключения между американским, децимальным и дробным форматами при работе с разными источниками данных.

Этап 2: Feature Engineering — превращаем данные в предсказания

Прогностическая и описательная статистика

Здесь допускают ошибку большинство новичков. Они используют описательную статистику (средний процент попаданий, W-L рекорд питчера, RBIs), которая говорит, что произошло, вместо прогностической статистики, которая предсказывает, что будет.

Индекс усталости bullpen (-0.6 MPH per B2B = -0.25 Runs)

Исследования из разных источников показывают, что реливеры теряют примерно 0,6 MPH на своём фастболе за каждое подряд идущее выступление. Эта потеря скорости переводится примерно в -0,25 раны за игру по ожидаемому запрету раньше.

Построй индекс усталости bullpen:

• Отслеживай выступления каждого реливера в последние 3 дня
• Взвешивай недавние выступления более тяжело (вчера > 2 дня назад)
• Отмечай bullpen с 3+ реливерами, использованными в подряд идущих играх

Это одно из самых эксплуатируемых преимуществ в MLB, потому что рынок медленно реагирует на перегрузку bullpen, особенно в первой половине дней с двойниками.

Platoon splits и конструкция лайнапа

Левши, играющие против левшей-питчеров (LvL), показывают значительно хуже результаты, чем RvL. Твоя модель должна включать:

• Рукость стартового питчера
• Состав лайнапа (процент батеров с одной стороны)
• Исторические platoon splits для ключевых батеров
• Склонности менеджера к конструкции лайнапа

Rolling метрики стартового питчера

Не используй статистику за весь сезон для питчера, который мучается последние 3 недели. Построй rolling окна:

• Last 3 starts: Захватывает свежую форму
• Last 10 starts: Более стабильная выборка
• Season-to-date: Базовый уровень

Взвешивай rolling окна: 40% last-3, 35% last-10, 25% season. Это лучше ловит как горячие серии, так и регрессию, чем сырые сезонные средние.

Рейтинг важности фичей

На основе backtesting данных 2019–2025 гг., вот что имеет наибольшее значение:

Фаза 3: Типы моделей на Python (2026)

Линейная регрессия (Начало пути)

Линейная регрессия предсказывает суммарное количество ранов напрямую. Это самая простая модель, но удивительно эффективная для прогнозирования тоталов игр.

from sklearn.linear_model import LinearRegression
import pandas as pd

## Загрузи матрицу признаков
features = ['sp_xfip', 'team_woba', 'park_factor',
            'bullpen_fatigue', 'k_bb_pct', 'platoon_score']

X_train = train_data[features]
y_train = train_data['total_runs']

model = LinearRegression()
model.fit(X_train, y_train)

## Прогноз для сегодняшних игр
today_pred = model.predict(today_data[features])

Логистическая регрессия (Классификация)

Для ставок на монейлайн тебе нужна вероятность победы, а не количество ранов. Логистическая регрессия выдаёт вероятности сразу.

from sklearn.linear_model import LogisticRegression

X_train = train_data[features]
y_train = train_data['home_win']  # 1 или 0

model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

## Получи вероятности побед
probs = model.predict_proba(today_data[features])
home_win_prob = probs[:, 1]  # вероятность побед домашней команды

XGBoost (Gradient Boosting)

XGBoost захватывает нелинейные связи, которые регрессия упускает. Это рабочая лошадка профессиональных MLB-моделей.

import xgboost as xgb

params = {
    'objective': 'binary:logistic',
    'max_depth': 5,
    'learning_rate': 0.05,
    'subsample': 0.8,
    'colsample_bytree': 0.8,
    'eval_metric': 'logloss'
}

dtrain = xgb.DMatrix(X_train, label=y_train)
model = xgb.train(params, dtrain, num_boost_round=300)

## Прогноз
dtest = xgb.DMatrix(today_data[features])
probs = model.predict(dtest)

Ансамблевая модель (Комбинация всех трёх)

Ни одна модель не лучше всегда. Ансамбль усредняет прогнозы нескольких моделей, снижая переобучение и улучшая калибровку.

Код на Python: Полный конвейер ансамбля

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.calibration import CalibratedClassifierCV
import xgboost as xgb

## Обучи отдельные модели
lr_model = LogisticRegression(max_iter=1000)
lr_model.fit(X_train, y_train)
lr_probs = lr_model.predict_proba(X_test)[:, 1]

xgb_model = xgb.XGBClassifier(
    max_depth=5, learning_rate=0.05,
    n_estimators=300, subsample=0.8
)
xgb_model.fit(X_train, y_train)
xgb_probs = xgb_model.predict_proba(X_test)[:, 1]

## Взвешенный ансамбль (подгони веса на валидационном наборе)
ensemble_probs = 0.4 * lr_probs + 0.6 * xgb_probs

## Сравни с вероятностью, подразумеваемой рынком
for i, game in enumerate(today_games):
    model_prob = ensemble_probs[i]
    implied_prob = game['implied_probability']
    edge = model_prob - implied_prob

    if edge > 0.03:  # минимальный порог преимущества 3%
        kelly = (model_prob * (game['decimal_odds'] - 1)
                 - (1 - model_prob)) / (game['decimal_odds'] - 1)
        bet_size = bankroll * kelly * 0.25  # четверть-Келли
        print(f"{game['teams']}: Преимущество {edge:.1%}, "
              f"Ставка ${bet_size:.0f}")

Фаза 4: Бэктестирование и валидация

Стратегия разделения на обучение/тест (2019-2022 обучение / 2023 валидация / 2024-2025 тест)

Никогда не проверяй модель на тех же данных, которыми её обучал. Используй строгое временное разделение:

• Обучающий набор (2019-2022): ~9700 игр. Твоя модель учится на этих данных
• Валидационный набор (2023): ~2430 игр. Подгонь гиперпараметры и выбор признаков
• Тестовый набор (2024-2025): ~4860 игр. Финальная оценка реального качества на нетронутых данных

Если модель хорошо работает на обучающих данных, но плохо на тесте — у тебя переобучение. Вернись и упрости.

Ключевые метрики — Log Loss, Brier Score, калибровка

Точность побед/поражений обманчива. Модель, которая говорит «52% на каждой игре», имеет 52% точность, но нулевое преимущество. Используй правильные метрики:

• Log Loss: Штрафует уверенные неправильные предсказания. Ниже = лучше. Целевое значение < 0.68
• Brier Score: Среднеквадратическая ошибка вероятностей. Целевое значение < 0.24
• Калибровка: Когда модель говорит 60%, команда должна побеждать ~60% времени

Проверь калибровку, построив график предсказанной вероятности против реального процента побед по интервалам (50-55%, 55-60%, 60-65% и т.д.). Хорошо калиброванная модель следует диагональной линии.

Избегай переобучения — ошибка №1 у новичков

Признаки переобучения:

• Точность на обучении > 60%, но на тесте < 52%
• Модель обожает редкие признаки (ID арбитра, день недели) вместо фундаментальной статистики
• Качество резко падает на новых сезонах

Решения:

• Используй меньше признаков (5-8 часто оптимально для MLB)
• Добавь регуляризацию (L1/L2 в регрессии, ограничения max_depth в XGBoost)
• Кросс-валидируй внутри обучающего набора перед тем, как трогать тест
• Если признак не имеет смысла в контексте бейсбола, удали его, несмотря на статистическую значимость

Этап 5: Перевод выхода модели в ставки

От вероятности к ожидаемой ценности (Формула EV + простым языком)

Основная формула:

$EV = P(выигрыш) \times Выигрыш - P(проигрыш) \times Ставка$

Простым языком: умножь свой шанс на победу на то, сколько ты выиграешь, а потом вычти шанс проигрыша, умноженный на то, сколько ты потеряешь. Если число положительное, ставка имеет +EV.

Пример: Твоя модель дает Астрос 55% шанс. Коэффициент +130 (ставка $100 выигрывает $130).

• EV = (0.55 × $130) - (0.45 × $100)
• EV = $71.50 - $45.00 = +$26.50 за ставку $100

Это огромный край в 26.5%. На самом деле краи обычно 3-8% — смотри нашу статью о том, что такое край в ставках для разбора по категориям. Используй наш Калькулятор вэлью-ставок, чтобы быстро проверить любую ставку, или протестируй свои числа через Анализатор краев для более глубокого разбора.

Критерий Келли для определения размера ставок в MLB

Критерий Келли рассчитывает математически оптимальный размер ставки:

$f^* = \frac{bp - q}{b}$

Где:

• b = десятичный коэффициент - 1 (чистый коэффициент)
• p = твоя прогнозная вероятность выигрыша
• q = 1 - p (вероятность проигрыша)

Для примера с Астрос: b = 2.30 - 1 = 1.30, p = 0.55, q = 0.45

$f^* = \frac{(1.30 \times 0.55) - 0.45}{1.30} = \frac{0.715 - 0.45}{1.30} = \frac{0.265}{1.30} = 20.4\%$

Полный критерий Келли говорит ставить 20.4% от своего банкролла. Это агрессивно. Опытные бетторы используют дроби от полного критерия.

Четверть Келли — почему меньше это лучше

Полный критерий Келли максимизирует долгосрочный рост, но с жестокой дисперсией. Просадка в 30% — обычное дело. Четверть Келли (ставка в размере 25% от рекомендуемого критерием Келли) жертвует часть роста за намного более плавные результаты.

Рекомендация: Начни с четверти Келли. Переходи на половину Келли только после 500+ проверенных прибыльных ставок. Используй наш Калькулятор Келли для определения размера каждой ставки правильно.

Коэффициенты стадионов MLB — рейтинг каждого стадиона (2024-2025)

Чтение графика коэффициентов стадионов

Коэффициент стадиона 1.00 означает, что стадион идеально нейтрален — набор очков соответствует среднему по лиге. Выше 1.00 означает, что стадион увеличивает набор очков (благоприятен для отбивающих). Ниже 1.00 означает, что стадион снижает набор очков (благоприятен для питчеров).

Как использовать коэффициенты стадионов в своей модели

Умножь прогнозируемые пробеги на коэффициент стадиона. Если твоя модель прогнозирует 4.5 пробега для Рокис, и они играют на Coors Field (1.38), скорректируй до 4.5 × 1.38 = 6.21 прогнозируемого пробега.

Для выездных игр на стадионах благоприятных для питчеров, таких как Dodger Stadium (0.88), скорректируй вниз: 4.5 × 0.88 = 3.96 прогнозируемого пробега.

Этап 6: Твой ежедневный рабочий процесс ставок на MLB

Утренняя рутина (Линии + составы)

1. 7:00 AM — Загрузи ночные движения линий со своей букмекерской конторы. Отметь игры, где линия значительно изменилась (>10 центов по монилайну)
2. 8:00 AM — Запусти свою модель с прогнозируемыми составами (составы обычно подтверждаются за 3-4 часа до первого питча)
3. 9:00 AM — Сравни вероятности модели с текущими котировками рынка. Составь список всех игр с +EV и кромкой > 3%

Проверки перед игрой (Погода, арбитры, буллпены)

Перед тем как делать любую ставку, проверь:

• Подтвержденный стартовый состав (поздние замены могут убить край)
• Погодные условия (ветер на Wrigley, дождевые задержки)
• Назначение судьи на первой базе
• Доступность буллпена (проверь результаты предыдущей ночи)

Размещение ставок и отслеживание результатов

Отслеживай каждую ставку в электронной таблице или в Трекере ставок:

• Дата, команды, вероятность модели, котировки рынка, размер ставки, результат
• Рассчитай CLV (Closing Line Value) — линия изменилась в сторону цены твоей модели?
• Еженедельный обзор: твои игры с 60% вероятностью действительно выигрывают в 60% случаев?

Калькулятор CLV — лучший инструмент для проверки края твоей модели во времени.

Калькулятор EV для бейсбола MLB — Проверь любую ставку мгновенно

Введи вероятность победы из своей модели и коэффициенты рынка, чтобы узнать, +EV ли ставка. Калькулятор показывает ожидаемую ценность, процент края и рекомендуемый размер ставки по критерию Келли.

Модели проп-ставок — Попадания, Страйкауты, Первые пять иннингов

Модели игроков (Over/Under попаданий, Страйкауты)

Проп-ставки на игроков используют тот же подход, что и модели игр, но фокусируются на индивидуальной игре:

• Страйкауты: Используют K-рейт питчера (последние 5 стартов), K-рейт баттера против бросков определённого типа и данные umpire zone
• Over/Under попаданий: Используют xBA баттера, рейт контакта питчера и регрессию BABIP
• Хоум-раны: Используют barrel rate, hard-hit rate, park factor компонент HR и направление ветра

Ключевой момент: проп-ставки имеют более мягкие линии чем обычные линии, потому что букмекеры тратят меньше времени на их расценку. Вот где скрываются края в 2026.

Модель первых пяти иннингов (F5)

Ставки на первые пять иннингов (F5) изолируют игру стартового питчера, убирая неопределённость буллпена. Построй отдельную модель с:

• xFIP стартового питчера и роллинговым K-BB%
• Игру оппонентов против питчера этого типа
• Park factor (всё ещё применяется к первым пяти иннингам)

Монейлайны F5 особенно ценны, когда отличный стартер играет против слабой команды, но буллпен ненадежен. Твоя полная модель может сказать "не ставь", в то время как F5 модель скажет "+EV".

Модели тотала команды

Вместо предсказания, какая команда выиграет, предсказывай, сколько ранов наберёт каждая команда независимо. Затем сравни с установленной линией тотала команды. Этот подход:

• Удваивает количество твоих возможностей (2 тотала команды на игру)
• Убирает корреляцию между двумя сторонами
• Хорошо работает с park factors и данными о погоде

Используй Калькулятор подразумеваемой вероятности чтобы конвертировать коэффициенты тотала в вероятности безубыточности. Понимание что означают альтернативные спреды также может помочь тебе найти ценность в ран-лайнах с нестандартными цифрами.

Чего модель НЕ включает (честные ограничения)

Травмы и поздние отчисления

Твоя модель не может предсказать, что суперзвезда-питчер будет отчислен за 2 часа до первого питча. Всегда переза́пускай модель после того как сформированы стартовые составы, и никогда не ставь заранее на игры, где стартовый питчер не закреплён.

Драмы в раздевалке и мотивация

Команда в 10-игровой проигрышной серии может мобилизоваться после встречи только между игроками. Команда, которая уже в плей-офф, может выводить стартовых игроков на отдых. Эти факторы реальны, но почти невозможны для количественной оценки. Примирись с этим ограничением вместо добавления мусорных переменных "мотивации" в модель. То же самое касается скандалов со ставками и договорных матчей в бейсболе — хотя исторически значимы (привет, Black Sox 1919), современные системы обнаружения делают это пренебрежимо малой переменной для твоей модели.

Вариативность umpire strike zone

Хотя средние тенденции umpire полезны, вариация в конкретной игре велика. Umpire, который обычно ведёт узкую зону, может расширить её в данный вечер. Данные umpire добавляют небольшой край, но не переоценивай их.

Когда переопределить твою модель

Переопредели модель только когда у тебя есть конкретная информация, которую модель не знает:

• Подтверждённое изменение состава после запуска модели
• Обновление погоды (внезапный порыв ветра)
• Проверенная новость о травме, которая не отражена в данных

Никогда не переопределяй потому что "это не кажется правильным". Если твоё чутьё регулярно не согласно с моделью, твоя модель нуждается в исправлении — или твоё чутьё.

Если тебе интересны системные подходы к ставкам за пределами моделирования, посмотри как стратегия Wong Teaser применяет похожий правил-ориентированный подход к NFL тизерам, или изучи прогрессивные системы вроде Фибоначчи и Лабушера — хотя эти работают иначе чем модели, управляемые данными.

Реальная история успеха — на что рассчитывать

Реалистичные коэффициенты выигрышей и бенчмарки ROI

Давайте честно поговорим о том, что на самом деле достижимо. Вот документированные данные от проверенных беттеров MLB:

Заметь, что даже элитные результаты — это 3-5% ROI. Любой, кто обещает 20%+ ROI, врёт. Если ты хочешь понять, складываются ли эти числа в зарплату, посмотри можно ли сделать ставки на спорт источником полного дохода. Консистентность на 500+ ставках с 3% ROI — это выдающийся результат. Используй наш анализатор дисперсии, чтобы понять, насколько сильно твои результаты могут колебаться даже при реальном преимуществе.

Требования к размеру выборки

• 200 ставок: можешь начать видеть тренды, но ничего не conclusive
• 500 ставок: минимум для статистической уверенности. Модель с 55% побед имеет ~95% шанс показать прибыль
• 1000+ ставок: убедительное доказательство преимущества. Твой 95% доверительный интервал значительно сужается

Не бросай хорошую модель после 50 проигрышных ставок. Не объявляй себя гением после 50 выигрышных ставок. Математике нужно время для сходимости. Отслеживай рост своего банкролла в течение всего сезона.

Если твоя модель постоянно побеждает closing line (положительный CLV) на 200+ ставках, твоя методология верна, даже если краткосрочные результаты негативны. CLV — это самый надёжный сигнал долгосрочной прибыльности.

Тот же фреймворк построения модели применяется к другим видам спорта — наш гайд по системам college basketball показывает, как делать бэктестинг гипотез NCAAB с использованием данных KenPom, с 12 проверенными системами как стартовые шаблоны. После того как ты станешь прибыльным, не забудь про налоговую часть — наш гайд по налогам на игры в Оклахоме охватывает правила штата для беттеров на спорт, включая пороги W-2G и расчёты по прогрессивным ставкам. Беттеры MLB в штате Мэйн должны ознакомиться с тем, какие легальные букмекеры предлагают рынки бейсбола и как налогообложение штата применяется к доходам на основе моделей.

FAQ