1
Reposts
3
Likes
4
Replies
This is certainly an interesting idea. Shift the analytical focus from “How many points does a player score want?” to “How accurately is the dispersion of their performance priced?”
In particular, I thought about the similarities and differences between sports markets and financial markets:
1.) Which distributions should you use for the respective event? Probably Poisson and binomial distributions? Many decisive events are capped upwards (e.g. playable minutes). Here we need distributions with “thin tails.”
2.) The GBM assumptions (random walk) probably work poorly for sports data. I would assume that performance in sports is heavily mean-reverting. Intuitively, however, there must also be momentum.
3.) The decline in current value is not continuous, as is the case in the financial market. It is relatively static up to the time of the event. From the moment the event starts, Theta will be very dynamic.
This then raises the following question for me:
For example, can a modified Monte Carlo simulation, in which the GBM model is replaced by a mean reversion process, correctly evaluate the “volatility smile” that is often seen in player props with high upper limits, or do bookmakers already take this uncertainty into account in their “alternative odds” to eliminate any exploitable alpha?
How do you see that?
In particular, I thought about the similarities and differences between sports markets and financial markets:
1.) Which distributions should you use for the respective event? Probably Poisson and binomial distributions? Many decisive events are capped upwards (e.g. playable minutes). Here we need distributions with “thin tails.”
2.) The GBM assumptions (random walk) probably work poorly for sports data. I would assume that performance in sports is heavily mean-reverting. Intuitively, however, there must also be momentum.
3.) The decline in current value is not continuous, as is the case in the financial market. It is relatively static up to the time of the event. From the moment the event starts, Theta will be very dynamic.
This then raises the following question for me:
For example, can a modified Monte Carlo simulation, in which the GBM model is replaced by a mean reversion process, correctly evaluate the “volatility smile” that is often seen in player props with high upper limits, or do bookmakers already take this uncertainty into account in their “alternative odds” to eliminate any exploitable alpha?
How do you see that?
This is certaintly an interesting idea. Shift the analytical focus from "how many points will a player score?" to "how accurately is the dispersion of their performance priced?".
Ich habe vor allem über die Gemeinsamkeiten und Unterschiede zwischen Sportmärkten und Finanzmärkten nachgedacht:
1.) Welche Verteilungen sollte man für das jeweilige Event nutzen? Vermutlich Poisson und Binomialverteilungen? Viele entscheidende Events sind nach oben gecappt (z.B. spielbare Minuten). Hier brauchen wir Verteilungen mit "thin tails".
2.) Die GBM Annahmen (Random Walk) funktionieren für Sport-Daten vermutlich schlecht. Ich würde annehmen, dass die Performance im Sport stark mean-reverting ist. Intuitiv müsste aber auch ein Momentum existieren.
3.) Der Zeitwertverfall ist nicht kontinuierlich, wie auf dem Finanzmarkt. Bis zum Zeitpunkt des Events ist er relativ statisch. Ab dem Moment in dem das Event beginnt, wird Theta sehr dynamisch werden.
Hieraus ergibt sich dann für mich die folgende Frage:
Kann z.B. eine modifizierte Monte-Carlo-Simulation, bei der das GBM-Modell durch einen Mean-Reversion-Prozess ersetzt wird, das „Volatility Smile“, das häufig bei Spieler-Props mit hohen Obergrenzen zu beobachten ist, korrekt bewerten, oder berücksichtigen Buchmacher diese Unsicherheit bereits in ihren „alternativen Quoten“, um jegliches ausnutzbare Alpha zu eliminieren?
Wie siehst du das?
Ich habe vor allem über die Gemeinsamkeiten und Unterschiede zwischen Sportmärkten und Finanzmärkten nachgedacht:
1.) Welche Verteilungen sollte man für das jeweilige Event nutzen? Vermutlich Poisson und Binomialverteilungen? Viele entscheidende Events sind nach oben gecappt (z.B. spielbare Minuten). Hier brauchen wir Verteilungen mit "thin tails".
2.) Die GBM Annahmen (Random Walk) funktionieren für Sport-Daten vermutlich schlecht. Ich würde annehmen, dass die Performance im Sport stark mean-reverting ist. Intuitiv müsste aber auch ein Momentum existieren.
3.) Der Zeitwertverfall ist nicht kontinuierlich, wie auf dem Finanzmarkt. Bis zum Zeitpunkt des Events ist er relativ statisch. Ab dem Moment in dem das Event beginnt, wird Theta sehr dynamisch werden.
Hieraus ergibt sich dann für mich die folgende Frage:
Kann z.B. eine modifizierte Monte-Carlo-Simulation, bei der das GBM-Modell durch einen Mean-Reversion-Prozess ersetzt wird, das „Volatility Smile“, das häufig bei Spieler-Props mit hohen Obergrenzen zu beobachten ist, korrekt bewerten, oder berücksichtigen Buchmacher diese Unsicherheit bereits in ihren „alternativen Quoten“, um jegliches ausnutzbare Alpha zu eliminieren?
Wie siehst du das?
Translated from German
Reply
Loading replies...