Using Actual Betting Percentages to Analyze Sportsbook Behavior: The Canadian and Arena Football Leagues
Notice bibliographique
Résumé
Sportsbook behavior is tested for the Canadian and Arena Football Leagues using real sportsbook betting percentages from on-line sportsbooks. The balanced book hypothesis of the traditional sportsbook models does not appear to hold for these leagues, as favorites and overs attract more than 50 percent of the betting dollars. Although there is some slight evidence toward shading the line in these directions, there is also no overwhelming evidence supporting the Levitt (2004) hypothesis, as sportsbooks do not appear to be actively pricing to maximize profits. In general, the results seem more consistent with the sportsbook pricing as a forecast, content with earning their commission on losing bets as simple strategies win about 50 percent of the time. A study by Levitt (2004) in The Economic Journal challenged the traditional view of sportsbook behavior. In the Levitt hypothesis, sportsbooks set prices to maximize profits, not to balance the sports betting action. This model differs substantially from the traditional models of sportsbook behavior, such as Pankoff (1968), Zuber, et al. (1985), and Sauer, et al. (1988), where sportsbooks set prices to balance the book. They achieve this by setting a price that attracts equal dollars on each side of the betting proposition. Under this model, using sports betting data to test the efficient markets hypothesis is straightforward. Under the assumptions of the traditional models, the efficient markets hypothesis could
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».