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

Представь себе: вторник утром, полный слэт MLB выходит через 3 часа, а тебе нужно оценить 14 игр. По ощущениям Dodgers — гарантированная ставка. Твой друган клянётся, что White Sox "должны" выиграть. Тем временем умные деньги двигают линию, о которой никто не говорит.

Вот в чём разница между тобой и профессионалами: у них есть модель. Не волшебный шар — систематический процесс, который преобразует данные в вероятности, сравнивает эти вероятности с котировками рынка и точно показывает, какие ставки имеют положительное математическое ожидание.

Хорошая новость? На 2026 год все данные, которые тебе нужны для построения модели ставок на MLB, совершенно бесплатны. FanGraphs, Baseball Savant и Statcast дают те же исходные цифры, которые используют профессиональные синдикаты. Побеждают те, кто умеет превращать эти цифры в признаки модели, обучать модели, которые действительно предсказывают результаты, и управлять банкроллом с дисциплиной.

Этот гайд проведёт тебя через весь процесс — от первой таблицы до полной ансамблевой модели на Python. Хочешь ли ты просто начать или ты data scientist, ищущий идеи для feature engineering специфичные для MLB — здесь найдётся уровень для каждого. Давай построим что-то, что действительно работает.

Кратко — справочник модели ставок на MLB

Уровни модели в сравнении

Для кого этот гайд

Этот гайд для всех, кто хочет перейти от интуитивных ставок к системе ставок на MLB на основе данных. Тебе не нужна степень по статистике — если ты можешь работать с таблицей, начни с уровня 1. Если знаешь базовый Python, переходи сразу в раздел среднего уровня.

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

Модель vs интуиция — ключевое отличие

Модель ставок — это машина вероятностей. Ты даёшь ей данные (статистика питчеров, парк-факторы, использование бульпена), а она выдаёт вероятность для каждого возможного исхода. Потом эта вероятность сравнивается с котировками рынка, чтобы найти ставки с положительным математическим ожиданием.

Разница критична: когда ты "чувствуешь", что Dodgers выиграют, у тебя нет способа узнать, справедлива ли котировка -180. Когда твоя модель говорит, что у Dodgers 63% вероятность победы, ты можешь посчитать, что котировка -180 подразумевает только 64.3% — значит, рынок справедливо оценён и ставки нет смысла.

Что действительно делает хорошая модель

Хорошая модель ставок на MLB делает три вещи:

1. Предсказывает вероятность победы точнее, чем рынок (даже на 2-3%)
2. Определяет ставки с положительным ожиданием там, где твоя вероятность выше подразумеваемой по котировке
3. Правильно размеряет ставки, используя критерий Келли или его вариант

Она НЕ предсказывает победителей с уверенностью. Модель с 55% вероятностью чрезвычайно прибыльна при правильных котировках. Цель — не точность, а калибровка и идентификация преимущества.

Выбери свой уровень — начинающий, средний или продвинутый

Начинающий: таблица + ключевые статистики

Начни отсюда, если ты никогда не строил модели. Отслеживай 4-5 ключевых статистик в таблице (xFIP питчера, wOBA команды, нагрузка бульпена, парк-фактор) и назначь им простые веса. Ты не будешь систематически обыгрывать Vegas, но научишься фреймворку 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 ставкам на аутсайдеров в MLB — там показано, как выглядит система на основе данных, прежде чем ты будешь строить свою.

Средний: Python + регрессия

Переходи на Python с библиотеками pandas и scikit-learn. Строй модели логистической регрессии, правильно считай важность признаков и бэктестируй против исторических котировок. Это уровень, где работает большинство прибыльных любительских беттеров.

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

Продвинутый: XGBoost + ансамблевые методы

Комбинируй несколько типов моделей (линейная регрессия, логистическая регрессия, XGBoost) в ансамбль, который более устойчив, чем любая отдельная модель. Добавь продвинутые признаки: данные на уровне питчей, тенденции рефери по зоне страйков, корректировки составов в реальном времени.

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

Тот же фреймворк работает для других спортов. Посмотри наш разбор системы ставок на NBA и гайд по стратегии ставок на NFL, если строишь модель для нескольких спортов.

Этап 1: Сбор данных — Где найти данные MLB

FanGraphs — Статистика команд и игроков (xFIP, wOBA, K-BB%)

FanGraphs — это основа. Скачай статистику команд и питчеров за последние 3–5 сезонов. Ключевые метрики:

• xFIP (Expected Fielding Independent Pitching): Предсказывает будущую производительность питчера лучше, чем ERA
• wOBA (Weighted On-Base Average): Отображает общую ценность наступления на одной шкале
• K-BB% (Процент страйкаутов минус процент воков): #1 предиктор качества питчера
• BABIP (Batting Average on Balls in Play): Выявляет кандидатов на регрессию везения

Statcast (Baseball Savant) — Данные на уровне питча

Baseball Savant предоставляет данные Statcast — скорость вылета мяча, угол запуска, вращение шара, ожидаемые статы (xBA, xSLG, xwOBA). Эти «ожидаемые» статы исключают влияние защиты и везения, показывая реальный уровень игрока.

Коэффициенты парков — Почему место игры важно

Коэффициенты парков — это самая недооценённая переменная в ставках на MLB. Coors Field повышает количество рабочих на 38%. Доджер Стэдиум снижает его на 12%. Если твоя модель не учитывает место игры, ты теряешь ценность.

Прокрутись вниз, чтобы увидеть нашу полную диаграмму коэффициентов парков для 30 стадионов с визуальными рейтингами.

Данные об арбитрах и погоде

Склонность арбитров к узкой или широкой зоне страйка влияет на процент страйкаутов и воков. Арбитр с узкой зоной может добавить 0.5 рана в общий тотал игры. Погода — особенно направление и скорость ветра на Райглей Филд — напрямую влияет на ставки больше/меньше.

Таблица бесплатных и платных источников данных

Используй Конвертер коэффициентов для переключения между американским, десятичным и дробным форматами при работе с разными источниками данных.

Этап 2: Разработка признаков — Превращение данных в предсказания

Предиктивные vs описательные статы

Здесь большинство новичков допускают ошибку. Они используют описательные статы (среднее по ударам, W-L запись питчера, RBI), которые говорят, что уже произошло, вместо предиктивных статов, которые предсказывают, что произойдёт.

Индекс усталости бульпена (-0.6 MPH за B2B = -0.25 рана)

Исследование из множественных источников показывает, что риливеры теряют примерно 0.6 MPH скорости фастбола за спину-в-спину (back-to-back) появление. Это падение скорости переводится примерно в -0.25 рана за игру ожидаемого предотвращения раны.

Построй индекс усталости бульпена:

• Отслеживай появления каждого риливера в течение последних 3 дней
• Взвешивай недавние появления более тяжело (вчера > 2 дня назад)
• Отмечай бульпены с 3+ риливерами, использованными в спину-в-спину играх

Это одно из наиболее эксплуатируемых преимуществ в MLB, потому что рынок медленно реагирует на перегруз бульпена, особенно в первой половине двойных игр.

Платунные сплиты и构成 линии

Левшей, бьющих против левшей-питчеров (LvL), значительно хуже, чем RvL. Твоя модель должна включать:

• Рукастость питчера, выходящего на старт
• Состав линии (процент бьющих с той же стороны)
• Исторические платунные сплиты для ключевых бьющих
• Склонности менеджеров при составлении линии

Метрики стартового питчера на скользящем окне

Не используй статы полного сезона для питчера, который мучается последние 3 недели. Построй скользящие окна:

• Последние 3 старта: Отлови недавнюю форму
• Последние 10 стартов: Более стабильная выборка
• Итого за сезон: Базовая линия

Взвешивай скользящие окна: 40% последние-3, 35% последние-10, 25% сезон. Это лучше ловит как горячие серии, так и регрессию, чем сырые среднесезонные показатели.

Ранжирование важности признаков

На основе тестирования данных 2019–2025, вот что важнее всего:

Этап 3: Типы моделей с кодом на Python (2026)

Линейная регрессия (начальная точка)

Линейная регрессия предсказывает общее 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)

# Предсказание на сегодняшние игры
today_pred = model.predict(today_data[features])

Логистическая регрессия (классификация)

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

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 победы
probs = model.predict_proba(today_data[features])
home_win_prob = probs[:, 1]  # вероятность победы хозяев

XGBoost (градиентный бустинг)

XGBoost ловит нелинейные связи, которые упускает простая регрессия. Это рабочая лошадка профессиональных моделей для MLB.

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)

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

Ансамбль-модель (объединение всех трёх)

Ни одна модель не лучше для каждой игры. Ансамбль усредняет предсказания из нескольких моделей, снижая переобучение и улучшая калибровку.

Код на Python: полный пайплайн 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 валидейшене)
ensemble_probs = 0.4 * lr_probs + 0.6 * xgb_probs

# Сравни с подразумеваемой вероятностью рынка
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:  # порог минимального edge 3%
        kelly = (model_prob * (game['decimal_odds'] - 1)
                 - (1 - model_prob)) / (game['decimal_odds'] - 1)
        bet_size = bankroll * kelly * 0.25  # четверть-Kelly
        print(f"{game['teams']}: Edge {edge:.1%}, "
              f"Bet \${bet_size:.0f}")

Этап 4: Тестирование и валидация

Стратегия сплита train/test (2019-2022 обучение / 2023 валидация / 2024-2025 тестирование)

Никогда не тестируй модель на тех же данных, на которых её обучал. Используй строгий временной разделение:

• Обучающий набор (2019-2022): ~9700 игр. Модель учит паттерны на этих данных
• Валидационный набор (2023): ~2430 игр. Подгонка гиперпараметров и отбор признаков
• Тестовый набор (2024-2025): ~4860 игр. Финальная оценка реального качества на девственных данных

Если модель работает хорошо на обучении, но плохо на тесте — ты переобучился. Вернись и упрости.

Ключевые метрики — Log Loss, Brier Score, калибровка

Точность побед/поражений одна в расчёт не берётся. Модель, которая говорит "52% на каждой игре", имеет точность 52%, но нулевой edge. Используй правильные метрики качества:

• Log Loss: наказывает уверенные неправильные предсказания. Меньше = лучше. Целевое значение < 0.68
• Brier Score: среднеквадратичная ошибка вероятностей. Целевое значение < 0.24
• Калибровка: если модель говорит 60%, команда должна побеждать в ~60% случаев

Проверь калибровку, построив график предсказанной вероятности vs фактического процента побед в бакетах (50-55%, 55-60%, 60-65% и т.д.). Хорошо откалиброванная модель следует диагональной линии.

Избегай переобучения — главная ошибка новичков

Признаки переобучения:

• Точность на обучении > 60%, но на тесте < 52%
• Модель любит редкие признаки (ID судьи, день недели) над фундаментальной статистикой
• Качество сильно падает на новых сезонах

Как исправить:

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

Этап 5: Конвертация выходных данных модели в ставки

От вероятности к ожидаемой ценности (формула EV + простой язык)

Основная формула:

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

Простыми словами: умножь свой шанс выиграть на то, сколько ты выиграешь, затем вычти шанс проигрыша, умноженный на твою ставку. Если число положительное, то ставка имеет +EV.

Пример: Твой модель дает Астросу 55% шансов. Коэффициенты +130 (ставка $100 приносит $130).

• EV = (0,55 × $130) - (0,45 × $100)
• EV = $71,50 - $45,00 = +$26,50 за каждые $100 ставки

Это огромное преимущество в 26,5%. В реальности преимущество обычно составляет 3-8%. Используй наш Калькулятор вэлью-бетов, чтобы быстро проверить любую ставку, или запусти свои данные через Edge Analyzer для более глубокого анализа.

Критерий Келли для определения размера ставок в MLB

Критерий Келли вычисляет математически оптимальный размер ставки:

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

Где:

• b = десятичные коэффициенты - 1 (чистые коэффициенты)
• p = твоя оценка вероятности выигрыша
• q = 1 - p (вероятность проигрыша)

Для примера с Астросом: 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 рекомендует ставить 20,4% твоего банкролла. Это агрессивно. Умные игроки используют доли.

Quarter-Kelly — почему меньше — это лучше

Полный критерий Келли максимизирует долгосрочный рост, но с жестокой волатильностью. Просадка на 30% — обычное дело. Quarter-Kelly (ставка в размере 25% от рекомендуемого Келли) жертвует немного ростом, но результаты становятся намного более гладкими.

Рекомендация: Начни с Quarter-Kelly. Переходи на Half-Kelly только после 500+ проверенных прибыльных ставок. Используй наш Калькулятор Келли, чтобы правильно определять размер каждой ставки.

Факторы парков MLB — все стадионы по рейтингам (2024-2025)

Как читать график факторов парков

Фактор парка 1,00 означает, что стадион идеально нейтрален — количество набранных ранов соответствует среднему по лиге. Выше 1,00 означает, что парк увеличивает количество ранов (благоприятен для отбивающих). Ниже 1,00 означает, что парк подавляет количество ранов (благоприятен для питчеров).

Как использовать факторы парков в своем модели

Умножь твои прогнозы по ранам на фактор парка. Если твой модель прогнозирует 4,5 рана для «Рокис», а они играют на Coors Field (1,38), откорректируй до 4,5 × 1,38 = 6,21 прогнозируемого рана.

Для выездных игр на парках, благоприятных для питчеров, таких как Dodger Stadium (0,88), откорректируй вниз: 4,5 × 0,88 = 3,96 прогнозируемого рана.

Этап 6: Твой дневной рабочий процесс ставок на MLB

Утренний распорядок (линии + составы)

1. 7:00 AM — Скачай движения линий с ночи с твоего букмекера. Отметь игры, где линия сильно сдвинулась (>10 центов по монейлайну)
2. 8:00 AM — Запусти свой модель с прогнозируемыми составами (составы обычно подтверждаются за 3-4 часа до первого питча)
3. 9:00 AM — Сравни вероятности твоего модели с текущими коэффициентами на рынке. Составь список всех +EV игр с преимуществом > 3%

Проверки перед игрой (погода, арбитры, булпен)

Перед тем как делать ставку, проверь:

• Подтвержденный стартовый состав (поздние замены могут убить преимущество)
• Условия погоды (ветер на Уригли, задержки из-за дождя)
• Назначение главного арбитра
• Наличие булпена (проверь результаты прошлых ночей)

Размещение ставок и отслеживание результатов

Отслеживай каждую ставку в электронной таблице или Трекере ставок:

• Дата, команды, вероятность модели, коэффициенты на рынке, размер ставки, результат
• Рассчитай CLV (Closing Line Value) — сдвинулась ли линия в сторону цены твоего модели?
• Проверяй еженедельно: твои игры с 60% вероятностью действительно выигрывают в 60% случаев?

Калькулятор CLV — это лучший инструмент для проверки преимущества твоего модели со временем.

MLB EV Калькулятор — Проверь любую ставку мгновенно

Введи вероятность победы из твоей модели и коэффициенты рынка, чтобы увидеть, является ли ставка +EV. Калькулятор показывает ожидаемую ценность, процент преимущества и рекомендуемый размер ставки по критерию Келли.

Модели для пропов — Хиты, страйкауты, первые пять иннингов

Модели для индивидуальных пропов (Хиты O/U, страйкауты)

Индивидуальные пропы используют ту же схему, что и модели на матчи, но сосредоточены на личной производительности:

• Страйкауты: Используют K-рейт питчера (последние 5 стартов), K-рейт батсмена против типа бросания и данные о зоне амперов
• Хиты больше/меньше: Используют xBA батсмена, рейт контроля контакта питчера и регрессию BABIP
• Домашние раны: Используют barrel rate, hard-hit rate, park factor для HR и направление ветра

Ключевое понимание: пропы имеют более мягкие коэффициенты, чем линии на матчи, потому что букмекеры тратят на них меньше времени. Здесь скрываются преимущества в 2026 году.

Модель первых 5 иннингов (F5)

Ставки на первые 5 иннингов (F5) изолируют производительность стартового питчера, убирая неопределённость буллпена. Построй отдельную модель с:

• xFIP стартового питчера и rolling K-BB%
• Производительность противника против питчера этого типа бросания
• Park factor (всё ещё применяется к первым 5 иннингам)

F5 монейлайны особенно ценны, когда отличный стартер играет против слабого линапа, но буллпен ненадёжный. Твоя полная модель может сказать «не ставить», а модель F5 скажет «+EV».

Модели командных тоталов

Вместо прогноза того, какая команда выиграет, предскажи, сколько раннов забьёт каждая команда независимо. Затем сравни с опубликованной линией командного тотала. Этот подход:

• Удваивает количество ставок (2 командных тотала на матч)
• Убирает корреляцию между двумя сторонами
• Хорошо работает с park factors и данными о погоде

Используй Калькулятор подразумеваемой вероятности, чтобы перевести коэффициенты на тоталы в вероятности безубытка. Понимание что означают альтернативные спреды также поможет найти ценность в ран-лайнах при нестандартных числах.

Что модель НЕ включает (честные ограничения)

Травмы и последние снятия

Твоя модель не может предсказать, что питчер будет снят за 2 часа до первого броска. Всегда пересчитывай модель после того, как подтвердятся линапы, и никогда не выставляй ставки на матчи, где стартер не закреплён.

Драма в раздевалке и мотивация

Команда в серии из 10 поражений может rallize после встречи только игроков. Команда, которая уже гарантировала выход в плейофф, может отдохнуть. Эти факторы реальны, но почти невозможно количественно оценить. Приди к миру с этим ограничением, чем добавлять мусорные переменные «мотивации» в модель.

Вариативность зоны страйка амперов

Хотя средние тенденции ампера полезны, индивидуальная вариативность в матче велика. Ампер, который обычно вызывает тесную зону, может вызвать её широко в конкретный вечер. Данные об ампере добавляют небольшое преимущество, но не переоценивай.

Когда переопределить модель

Переопределяй модель только при конкретной информации, которую модель не имеет:

• Подтверждённое изменение линапа после запуска модели
• Обновление погоды (резкая смена ветра)
• Проверенные новости о травмах, которые не отражены в данных

Никогда не переопределяй, потому что «это не кажется правильным». Если твоя интуиция регулярно не согласна с моделью, модель нуждается в исправлении — или твоя интуиция.

Если тебя интересуют системные подходы к ставкам помимо моделирования, посмотри, как стратегия Wong Teaser применяет похожий основанный на правилах подход к NFL тизерам, или исследуй прогрессивные системы вроде Fibonacci и Labouchere — хотя они работают иначе, чем модели на основе данных.

Реальная статистика — что ожидать

Реалистичные показатели побед и бенчмарки ROI

Будем честны о том, что достижимо. Вот документированная статистика от проверенных MLB бетторов:

Заметь, что даже элитная производительность — это 3-5% ROI. Любой, кто обещает 20%+ ROI, лжёт. Стабильность свыше 500+ ставок на 3% ROI — это выдающееся достижение. Используй наш Анализатор дисперсии, чтобы понять, насколько могут колебаться твои результаты даже при реальном преимуществе.

Требования к объёму выборки

• 200 ставок: Можешь начать видеть тренды, но ничего не conclusive
• 500 ставок: Минимум для статистической уверенности. Модель с 55% имеет ~95% шанс показать прибыль
• 1000+ ставок: Сильное 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, чтобы сойтись. Отслеживай рост банкролла в течение всего сезона.

Если твоя модель последовательно бьёт closing line (положительный CLV) на 200+ ставках, твоя методология верна, даже если краткосрочные результаты отрицательны. CLV — самый верный сигнал долгосрочной прибыльности.

FAQ