Bakalářská práce se zabývá využitím metod strojového učení pro předpověď výsledků zápasů NBA a návrhem sázkových strategií na trhu kurzových sázek. V praktické části je analyzován soubor dat zahrnující výsledky zápasů ze sedmi sezón od 2016/17 do 2022/23 a kurzy bookmakerů. Důraz je kladen na vyhodnocení kvality předpovědí modelu v porovnání s tržními kurzy a na simulaci výnosnosti sázkových strategií založených na Kellyho kritériu. Použité metody zahrnují tvorbu příznaků, postupnou validaci v čase, kalibraci pravděpodobností a simulaci metodou Monte Carlo. Výsledky ukazují, že trh dosahuje statisticky vyšší kvality předpovědí než vytvořený model v hlavní části sezóny, zatímco v playoff sje výsledek méně jednoznačný. Žádná z testovaných sázkových strategií nevedla k dlouhodobě ziskovému výsledku. Přidanou hodnotou práce je kvantifikace efektivity sázkového trhu NBA pro sázkaře bez přístupu k pokročilým datům, vyhodnocení kvality kalibrace modelu v různých fázích sezóny a metodologický příspěvek k odhadu nejistoty u sázkových strategií na malých vzorcích.
This bachelor thesis explores the application of machine learning methods to predicting NBA game outcomes and to designing betting strategies in the fixed-odds market. The practical part analyses a dataset comprising game results from seven seasons spanning 2016/17 to 2022/23 and bookmaker odds. Emphasis is placed on evaluating the prediction quality of the model in comparison with market odds and on simulating the profitability of betting strategies based on the Kelly criterion. The applied methods include feature engineering, walk-forward validation, probability calibration, and Monte Carlo simulation. The results show that the market achieves statistically higher prediction quality than the constructed model during the regular season, while in the playoffs the outcome is less conclusive. None of the tested betting strategies led to a long-term profitable result. The added value of the thesis lies in quantifying the efficiency of the NBA betting market for a bettor without access to advanced data, evaluating the calibration quality of the model across different stages of the season, and providing a methodological contribution to uncertainty estimation for betting strategies on small samples.
Klíčová slova:
Sports betting; Machine learning; NBA; Kelly criterion