Forecasting Odds Movements in Horse Racing
Author
Maillard, Martin Georges Raymond
Term
4. term
Education
Publication year
2020
Submitted on
2020-06-02
Pages
63
Abstract
Denne afhandling undersøger, hvordan odds bevæger sig over tid i hestevæddeløb på en bettingbørs, hvor brugere spiller mod hinanden. Fordi priser ændrer sig i diskrete trin (”ticks”), modellerer vi bevægelser som tick-ændringer frem for kontinuerte oddsændringer og konstruerer en odds-trajektoriemodel for disse trin. Da parametrene i denne model ikke er tidsvarierende, undersøger vi også en alternativ tilstandsrum-model: den dynamiske Skellam-model. Skellam-fordelingen beskriver forskellen mellem to Poisson-tællinger og passer naturligt til op- og nedadgående tick-bevægelser. Modellen er ikke-lineær og ikke-normalfordelt, hvilket gør filtrering (løbende estimering af skjulte tilstande) og udglatning (efterfølgende forbedring af tidligere tilstande med alle data) udfordrende. Som udglatningsmetode maksimerer vi likelihood-funktionen, der evalueres ved hjælp af importance sampling (vægtet simulering). Til filtrering anvender vi også importance sampling, nærmere bestemt et partikelfilter, bootstrap-filtret. Til sidst forudsiger vi oddsbevægelser ved at kombinere de estimerede filtreringsværdier med odds-trajektoriemodellen.
This thesis examines how betting odds move over time in horse racing on a betting exchange, where people bet against each other. Because prices change in discrete steps (“ticks”), we model movements as tick increments rather than continuous changes in odds and construct an odds trajectory model for these steps. Since the parameters in this model do not vary over time, we also explore an alternative state-space model: the dynamic Skellam model. The Skellam distribution describes the difference between two Poisson counts and naturally captures up-and-down tick movements. This model is nonlinear and non-Gaussian, which makes filtering (tracking hidden states as data arrive) and smoothing (refining past states using all data) challenging. For smoothing, we maximize the likelihood, evaluated using importance sampling (a weighted simulation approach). For filtering, we also use importance sampling via a particle filter, specifically the bootstrap filter. Finally, we forecast odds movements by combining the filtered estimates with the odds trajectory model.
[This abstract was generated with the help of AI]
Keywords
Documents