Méthode gagnante des courses de chevaux par optimisation des combinaisons

Qu'est-ce que c'est

J'ai essayé de le résoudre en combinant et en optimisant "Programmation de la méthode gagnante des courses de chevaux".

• La façon de penser est basée sur "Umameshi.com Horse Racing Winning Method".
• Pour le programme, voir "[Optimisation du raffinage du pétrole brut - Points de modélisation](https://qiita.com/SaitoTsutomu/items/e3ef218b78fd859b4aeb#%E3%83%A2%E3%83%87%E3%83] % AB% E5% 8C% 96% E3% 81% AE% E3% 83% 9D% E3% 82% A4% E3% 83% B3% E3% 83% 88) ".

données brutes

20 septembre 2013 C'est un tableau des victoires et des chevaux dans une course de courses de chevaux de Nagoya. Demandez combien de billets de paris acheter pour chaque ligne de ce tableau.

from ortoolpy import addbinvars, lpSum, model_min, pd


def sample_data_frame() -> pd.DataFrame:
    """20 septembre 2013 Nagoya Horse Racing 1 Race Table

    :return: 「First=1er numéro d'arrivée, deuxième=2 numéro d'arrivée (-1 victoires), cotes=Tableau des "chances"
    """
    ls = list(range(1, 8))
    df1 = pd.DataFrame({  #Gagner
        "First": ls,
        "Second": [-1] * 7,
        "Odds": [14.7, 72.6, 1.4, 2.3, 151.8, 18.0, 66.8],
    })
    df2 = pd.DataFrame({  #Cheval seul
        'First': [i for i in ls for _ in ls[1:]],
        'Second': [j for i in ls for j in ls if i != j],
        'Odds': [
            347.2, 37.4, 54.0, 662.7, 169.6, 607.5, 455.6, 177.8, 197.1,
            1457.9, 331.4, 2429.8, 23.0, 86.8, 5.4, 50.7, 13.0, 177.8, 10.3,
            49.3, 1.9, 90.0, 5.9, 123.6, 1214.9, 1457.9, 74.4, 455.6, 560.8,
            3644.7, 119.5, 347.2, 27.6, 43.2, 486.0, 455.6, 1041.4, 2429.8,
            1214.9, 911.2, 3644.7, 911.2
        ]
    })
    return pd.concat([df1, df2]).reset_index(drop=True)


df = sample_data_frame()
# First=1er numéro d'arrivée, deuxième=2 numéro d'arrivée (-1 victoires), cotes=Chances
df[:3]  #3 premières lignes

optimisation

def solve(df: pd.DataFrame, num: int, alpha: float) -> pd.DataFrame:
    """Trouvez le nombre d'achats

    :param df:Table variable
    :param num:Nombre maximum d'achats
    :param alpha:Rapport de retour
    :return:Table des variables (la colonne Val est le nombre d'achats)
    """
    n = len(df[df.Second == -1])  #Nombre de lignes à gagner
    m = model_min(dfi=df)  #Modèle mathématique
    df["Mono"] = None  #Que ce soit pour acheter une victoire
    df.loc[: n - 1, "Mono"] = addbinvars(n)
    m += lpSum(df.Var)  #Fonction objectif (nombre total d'achats)
    m += lpSum(df.Var) <= num  #Nombre maximum d'achats
    for row in df[:n].itertuples():
        m += row.Odds * row.Var >= num * alpha * row.Mono
        df.loc[df.First == row.First, "Mono"] = row.Mono
    for row in df[n:].itertuples():
        m += row.Odds * row.Var >= num * alpha * (1 - row.Mono)
    m.solve()
    df["Prize"] = df.Odds * df.Val * 100
    return df[df.Val > 0] if m.status == 1 else None


res = solve(df, num=1000, alpha=1.08)
res

• Le nombre maximum d'achats est de 1000 («num»). Puisque chaque feuille est de 100 yens, le fonds militaire est de 100 000 yens. «Nous allons fixer une contrainte pour que quel que soit le cheval qui gagne, le dividende sera d'au moins 108 000 yens (fonds militaires x« alpha »).
• En conséquence, j'achèterai 999 pièces (res.Val.sum ()). Quel que soit le cheval de 1 à 7, la ligne «Prix» est supérieure à 108 000 yens.

ʻAlpha = 1.08` doit être trouvé par une recherche de 2 minutes. C'est incroyable que ce soit 100% rentable, pas une théorie de bureau.

c'est tout