THE IMPACT OF SENTIMENT ON POINT SPREADS IN THE COLLEGE FOOTBALL WAGERING MARKET
Notice bibliographique
Résumé
This paper investigates whether sentimental bettors affect the point-spread-formation process in the college football wagering market, as well as whether this market is efficient. Following Avery and Chevalier (1999), this study focuses solely on sources of sentiment that have natural analogues in the stock market, such as predictions of so-called experts, momentum in teams’ performances, teams that are highly visible, and teams with high fan avidity. Sentiment relating to expert picks, even though the picks are uninformative, nonetheless is related to intraweek changes in spreads. Also, bettors’ sentiment for recent performance against the spread, for teams in major conferences, and for teams with high fan avidity appears to be related to spreads moving during the week. However, betting strategies designed to exploit any anticipated sentimental betting are marginally profitable at best, suggesting that rational arbitrageurs serve to correct most biases in spreads.The authors express thanks to Bruno Deschamps, Michael Hertzel, Michael Lemmon, J. Spencer Martin, Federico Nardari, Rodney Paul, and Mukunthan Santhanakrishnan for careful feedback and thoughtful suggestions. The authors are also grateful for comments from seminar participants at the UC Riverside Conference on Growth of Gambling and Prediction Markets, at the Financial Management Association meetings in Toronto, at Arizona State University, and at Montana State University. Greg Durham expresses a special thanks to Jim Harmon for providing historical data related to the Harmon Forecast. (The authors are responsible for any outstanding errors in this paper.)
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».