EXKLUZIVNĚ: Binární myšlení v kurzovém sázení: Co je to „dobrá sázka“?

11.03.2024 19:00

Přinášíme vám exkluzivní překlad odborného článku od Luka Pettyho. Luke vystudoval ekonomii na The University of Exeter a následně se vydal na dráhu, která spojuje dva jeho největší zájmy – psaní a sportovní sázení. Přestože se velmi zajímá o fotbal, je otevřený prozkoumání jakéhokoli sportu, ve kterém by se mohla objevit hodnota. Zvláště rád analyzuje trhy z různých úhlů pohledu a snaží se najít výhodu nad bookmakery. 

 

• Binární zaujetí
  

• Zaujetí výsledky
  

• Co je to dobrá sázka?
  

 

Binární myšlení zahrnuje třídění informací do vzájemně se vylučujících možností. Stejným způsobem pracuje počítač v binárním kódu. Něco je buď 1, nebo 0, žádná jiná možnost neexistuje. Neexistuje žádná šedá zóna. Mnozí odborníci tvrdí, že lidé instinktivně třídí informace právě tímto způsobem a přirozeně sklouzávají k tomuto binárnímu způsobu myšlení.

Pro pračlověka to mělo smysl. Tento způsob myšlení byl vhodný pro rozhodnutí, která vedla k přežití, zejména pokud šlo o rychlé rozhodování. Rozhodnutí o tom, zda šustění v křoví je nebo není predátor, bylo otázkou života a smrti. Odměna za drahocenný čas, kdy se člověk zastaví a posuzuje všechny informace o šustění (zatímco se predátor může chystat k útoku), nestojí za riziko, že bude sežrán. Z hlediska poměru rizika a odměny je mnohem rozumnější vyhodnotit šelest v křoví coby predátora a utéct.

Richard Dawkins tvrdí, že taková touha po přímých řešeních typu „ano – ne“, která by přehledně kategorizovala informace je „tyranií nesouvislé mysli“. Domnívá se, že lidé hledají ujištění v klasifikaci buď – anebo, protože pro mozek je mnohem snazší uvažovat binárně, tak jak to dělali naši vzdálení předci, než uvažovat o všech odstínech šedi mezi dvěma závěry. 

Tento způsob binárního rozhodování je skvělý pro rychlá rozhodnutí, ale dnes žijeme ve světě nuancí. Nikde se to neprojevuje tak výrazně jako ve světě kurzových sázek.. 

 

Binární zaujetí: kofein a hodnocení na YouTube

Jak binární rozhodování ovlivňuje způsob, jakým zpracováváme informace? Fisher a Keil se to pokusili zjistit v sérii studií zaměřených na tzv. „binární předsudek“. Účastníkům byly předloženy důkazy o určitém tématu, a následně byli požádáni, ať je sesumírují a ohodnotí tak, aby co nejlépe vystihovaly jejich celkový dojem ze síly argumentu. 

Pokud lidé hodnotili data z různých studií zkoumajících například vztah mezi kofeinem a zdravím, rychle údaje zařadili do kategorie buď prokazující účinek, nebo ne, bez ohledu na relativní sílu důkazů.  

Fisher a Keil nakonec došli k závěru, že: „Po shrnutí široké škály kontextů jsme prokázali, že při vyhodnocování důkazů lidé vykazují binární zaujetí: tendenci kategoricky rozlišit spojité údaje. Důkazy jsou rozdělené do samostatných kategorií a rozdíl mezi nimi tvoří souhrnný úsudek.“ 

Jinými slovy, účastníci měli tendenci ignorovat relativní sílu důkazů, které jim byly předloženy, a místo toho preferovali jejich kategorizaci do samostatných kategorií a posuzování souhrnu důkazů v rámci těchto kategorií.  

Tím byly vyřazeny všechny spojité údaje. Výsledkem bylo, že závěr s 25% pravděpodobností jedním směrem byl jednoduše zařazený do jedné kategorie se všemi ostatními závěry, které se k tomuto směru přikláněly, bez ohledu na jejich sílu. To testovaným osobám sice usnadnilo zpracovat údaje, ale snížila se tím hodnota informací.

K tomuto závěru došlo při snaze zdokonalit svůj systém hodnocení videí také YouTube. Jejich hodnocení pomocí hvězdiček se ukázalo jako neefektivní, protože drtivá většina hlasů byla buď jednohvězdičková nebo pětihvězdičková.

Bylo to důsledkem binárního rozhodování. Když se uživateli video líbilo, hodnotil ho pěti hvězdičkami, zatímco když se mu nelíbilo, ohodnotil ho jednou hvězdičkou. Všechny informace uprostřed těchto dvou kategorií se vytratily. To vedlo YouTube k tomu, aby změnilo hodnocení na jednodušší systém palců nahoru / dolů.  

 

Zaujetí výsledky

Jak bylo řečeno výše, lidé vždy, když je to možné, raději třídí informace do dvou jednoznačných kategorií. Přesně tak je to také u sázení.

Pro nezkušeného sázkaře je dobrá sázka jednoduše taková, která vyhraje. Špatná je ta, která prohraje. Tyto dvě kategorie jsou snadno uchopitelné a intuitivně dávají smysl i někomu, kdo nemá žádné ponětí o nuancích sázení. To je však zcela mylné. Vítězná sázka může být příšerná, zatímco nejlepší sázka, kterou jste kdy podali, mohla prohrát. Kategorizováním sázek takto jednoduchým způsobem se zbavujeme všech užitečných informací. 

Tato snaha přiřadit datový bod do kategorie „dobrý“ nebo „špatný“ na základě výsledku události, se projevila během debaty kolem neúspěšného pokusu Baltimore Ravens o dvoubodovou konverzi v NFL v sezóně 2019.

Z pohledu matematiky bylo rozhodnutí o dvoubodové konverzi od Ravens správné. Protože se ale pokus nezdařil, zařadili někteří odborníci toto rozhodnutí do škatulky „špatné“. Dodatečné informace, které pro tento pokus poskytla analytika, se u expertů zcela rozplynuly kvůli kombinaci předpojatosti výsledku (neúspěšný pokus musel být způsoben špatným rozhodnutím) a binární předpojatostí (potřeba zařazovat rozhodnutí do konkrétní kategorie). Pokud by byl pokus o změnu úspěšný, jejich názory by s největší pravděpodobností byly úplně jiné.  

 

Co je to dobrá sázka? Myslet jako sázkař

Aby se sázkař naučil úspěšně sázet, musí se těmto předsudkům vyhnout. Šedá zóna mezi výhrou a prohrou je to, co rozlišuje dobrou sázku od špatné.  

Sázkaři pracují v procentech. Jestliže je sázkařova hodnota přesnější než ta sázkové kanceláře, z dlouhodobého hlediska bude vyhrávat. Je však vůbec možné zjistit, zda je sázkařova hodnota přesná? 

Bez velkého vzorku by bylo téměř nemožné na tuto otázku jednoznačně odpovědět. Vezměme si například jeden známý procentuální údaj. Statistická webová stránka FiveThirtyEight dávala Donaldu Trumpovi 30% šanci na vítězství v amerických prezidentských volbách 2016. Už víme, že Trump se opravdu prezidentem stal.

Některé kruhy pak reagovaly na tuto předpověď jako na chybnou“. Vzhledem k binárnímu přístupu, který lidé k takovým věcem zaujímají, je naprosto jasné, proč to k tomu svádělo. Jak prokázala studie o binárním zaujetí od Fishera a Keila, lidé zcela pominuli sílu předpovědi, byť oslabenou (Trumpovi byla přiřknutá 30% šance na vítězství, nikoli 0%), aby ji zařadili do kategorie „špatná“, která jim vyhovuje.

To je ale samozřejmě nesmysl. Podle této předpovědi by měl Trump z deseti pokusů třikrát vyhrát. Skutečnost, že se scénář vyvinul v ten, ve kterém Trump vyhrál, nám o přesnosti předpovědi neukazuje nic nového.  

Velikost vzorku by musela být rozšířená na smysluplnou úroveň opakováním stejných voleb, což je samozřejmě nemožné. Teprve poté bychom byli schopni říct, jak blízko byla předpověď FiveThirtyEight s jejich 30% šancí na Trumpovo vítězství.

 

Kontrolování chaosu

To je pochopitelně znepokojivé. Říct, že vlastně nevíme a možná se nikdy nedozvíme, zda byla daná předpověď dobrá, je v rozporu s našimi instinkty. 

Určitě jsem již podal sázky, u kterých jsem intuitivně cítil, že procentuální šance hovoří v můj prospěch, ale bez modelu testujícím velký vzorek podobných událostí neexistuje způsob, jak bych mohl s určitostí říct, že jsem měl pravdu. 

Coby sázkaři se pohybujeme v šedé oblasti mezi kategoriemi „dobrá“ a „špatná“ sázka. Chcete-li být úspěšní, musíte ustoupit od jednoduchých klasifikací a přijmout procentuální hodnotu u jednotlivých sázek takovou, jaká je. Jednoduše se musíme pokusit vytvořit „dobrou“ sázku s vědomím, že možná nikdy nebudeme skutečně vědět, zda je opravdu možné takovou sázku kategorizovat.  

 

Zdroj: Obrázky použity z původního článku dostupného na webu pinnacle.com.

 

Další zajímavé články od stejného autora