Что показали эксперименты
- Betwave, 2026. История, с которой всё началось, — лента Betwave офшорного букмекера 1win (Кюрасао; в России заблокирован как нелегальный). Модели вроде Gemini, Claude, DeepSeek и Kimi ставят там 10 000 vUSD — это виртуальная валюта, её нельзя вывести, а рынки ограничены футболом и CS2. Слухи про реальные $10 000 у ИИ не подтвердились.
- Prediction и Prophet Arena. На рынках предсказаний модели тоже пока проигрывают толпе: Prediction Arena (март 2026) — в среднем −22,6 % на Kalshi и −1,1 % на Polymarket, Prophet Arena (ICLR 2026, 81 % событий — спорт) — рынок точнее большинства моделей на коротких горизонтах.
- Alpha Arena, осень 2025. Самый громкий опыт был не со ставками, а с трейдингом: Alpha Arena выдала шести моделям по $10 000 на криптовалюту. Результат первого сезона — от +22 % у Qwen 3 Max до −59 % у GPT-5; в сезоне 1.5 на акциях США победил Grok 4.20 с результатом около +12 %. Разброс огромный, а победители сезонов не совпали.
- Чемпионат мира 2026. В работе на arXiv (2607.17765, 20.07.2026) Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro и Grok условно ставили по $100 на каждый из 104 матчей турнира. По точности вероятностей (Brier) рынок не обыграла ни одна модель, а простая стратегия «ставить на фаворита букмекера» оказалась лучше любой из них. ROI моделей разошёлся от −18 % до +10 % — на 104 матчах это в пределах случайности.
- KellyBench, апрель 2026. Восемь языковых моделей «прожили» сезон АПЛ 2023/24 в симуляции с управлением банком. Итог General Reasoning (15.04.2026): все в минусе — Claude Opus 4.6 примерно −11 %, GPT-5.4 примерно −13,6 %, а старая модель Диксона — Коулза оказалась лучше шести из восьми.
Вместе эти результаты говорят: «угадывать» ИИ не умеет лучше рынка, зато умеет быстро собирать и считать — этим и стоит пользоваться.
Модель Пуассона для футбола на Python с помощью OpenClaw
Самый честный способ «спросить у ИИ прогноз» — попросить OpenClaw написать модель, а не выдать ответ. Классика для футбола — модель Пуассона: число голов каждой команды считается случайной величиной с ожиданием λ, которое оценивают по забитым и пропущенным (или по xG) за последние матчи. Дальше перемножаются вероятности счетов и суммируются в исходы 1X2.
- Данные. Голы или xG за 10–20 последних матчей, отдельно дома и в гостях.
- Проверка. Проверьте модель на уже сыгранном туре: сравнивайте вероятности с линией закрытия по Brier, а не «угадал — не угадал».
- Улучшения. Следующий шаг — поправка Диксона — Коулза на низкие счета; в KellyBench такая модель была лучше шести из восьми LLM.
from scipy.stats import poisson
lam_home, lam_away = 1.4, 1.2 # ожидаемые голы
N = 10
p = [[poisson.pmf(i, lam_home) * poisson.pmf(j, lam_away)
for j in range(N)] for i in range(N)]
home = sum(p[i][j] for i in range(N) for j in range(N) if i > j)
draw = sum(p[i][i] for i in range(N))
print(f"П1 {home:.1%} X {draw:.1%} П2 {1 - home - draw:.1%}")Для λ = 1,4 и 1,2 модель даёт около 41,6 % на хозяев, 26,2 % на ничью и 32,2 % на гостей — это и есть ваша оценка, которую сравнивают с линией.
Что знает линия и чего не знает модель
Рынок агрегирует информацию от множества участников и быстро исправляет ошибки, а маржа делает каждую ставку чуть хуже честной. Чтобы получить положительное ожидание, нужно знать то, чего не знает линия, — и именно этого у языковой модели нет.
- Вероятность из коэффициента. p = 1 / k. Для линии 2,10 / 3,40 / 3,60 сумма 1/k даёт перевес 4,8 % — это маржа букмекера.
- Честная вероятность. Нормируйте вероятности, чтобы в сумме было 100 %: у первого исхода получится 45,4 %.
- Ожидание ставки. Считайте EV = p · k − 1: при вашей оценке 50 % и коэффициенте 2,10 это +5 %, но ошибка всего на несколько пунктов — 45 % — превращает его в −5,5 %.
- Угадывать часто ≠ быть в плюсе. 80 % угаданных исходов на коэффициенте 1,20 дают EV −4 %, а 45 % на 2,40 — +8 %. Важен не процент попаданий, а цена.
Как спросить нейросеть о матче: рабочий промпт
Популярные промпты вроде «ты аналитик, твои прогнозы сбываются, укажи уверенность в процентах» вредны: модель начинает уверенно выдумывать. Рабочая версия просит факты с источниками и расчёт:
«Напиши на Python модель Пуассона для матча [команда A] — [команда B]: оцени ожидаемые голы по последним 15 матчам, посчитай вероятности П1, X, П2 и сравни их с вероятностями из коэффициентов [П1 / X / П2] после снятия маржи.»
- Свои коэффициенты. Вставляйте коэффициенты из линии сами: свежесть котировок, найденных поиском, не проверена.
- Проверка фактов. Любой факт без источника перепроверьте — модели уверенно выдумывают составы.
- Решение за вами. Итог — расчёт и аргументы, а не команда «ставь».
18+: если ставки перестали быть игрой
Помните главное: ставки — не способ получить доход, а развлечение, в котором маржа всегда на стороне букмекера. Умный ассистент создаёт иллюзию контроля и подталкивает отыгрываться — это опаснее, чем кажется. Проигрывать можно только то, что не жалко.
- Лимиты. Определите сумму на месяц заранее; закончилась — пауза до следующего.
- Без догона. Не увеличивайте ставку, чтобы отыграться: так проигрыши растут быстрее всего.
- Самоограничение. Если чувствуете, что теряете контроль, воспользуйтесь самоограничением у оператора и закройте доступ к ставкам.
- Помощь. Игровая зависимость — признанное расстройство, и с ней помогают психотерапевты и наркологи; обращаться можно анонимно.
Разобрать матч с агентом LeanTech
Агент LeanTech ищет в интернете и собирает данные со ссылками на источники, читает приложенные файлы и скриншоты линии, выполняет код и собирает таблицы Excel с живыми формулами. Под эту задачу: соберёт статистику и новости по командам, переведёт ваши коэффициенты в вероятности, посчитает маржу, value и долю по Келли. Ставки он не делает, к букмекерам не подключается и «точных прогнозов» не даёт.
Источники
- KellyBench (General Reasoning, 15.04.2026): KellyBench, General Reasoning
- Прогнозы LLM на ЧМ-2026: arXiv 2607.17765
- Alpha Arena, сезоны 1 и 1.5: ForkLog о первом сезоне Alpha Arena, ForkLog о сезоне 1.5
- Prediction Arena: arXiv 2604.07355
- Prophet Arena (ICLR 2026): arXiv 2510.17638
- ForecastBench: Forecasting Research Institute