[PYTHON] Siegermethode für Pferderennen durch Kombinationsoptimierung

Was ist das

Ich habe versucht, es zu lösen, indem ich "Programmieren der Pferderennen-Gewinnmethode" kombiniert und optimiert habe.

• Die Denkweise basiert auf "Umameshi.com Horse Racing Winning Method".
• Informationen zum Programm finden Sie unter "[Optimierung der Rohölraffination - Modellierungspunkte](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) ".

Originale Daten

20. September 2013 Es ist eine Tabelle mit Siegen und Pferden in einem Rennen des Nagoya-Pferderennens. Fragen Sie nach, wie viele Wettkarten Sie für jede Zeile in dieser Tabelle kaufen können.

from ortoolpy import addbinvars, lpSum, model_min, pd


def sample_data_frame() -> pd.DataFrame:
    """20. September 2013 Nagoya Pferderennen 1 Renntisch

    :return: 「First=1. Ankunftsnummer, zweite=2 Ankunftsnummer (-1 gewinnt), Gewinnchancen=Tabelle "Gewinnchancen"
    """
    ls = list(range(1, 8))
    df1 = pd.DataFrame({  #Sieg
        "First": ls,
        "Second": [-1] * 7,
        "Odds": [14.7, 72.6, 1.4, 2.3, 151.8, 18.0, 66.8],
    })
    df2 = pd.DataFrame({  #Pferd Single
        '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=1. Ankunftsnummer, zweite=2 Ankunftsnummer (-1 gewinnt), Gewinnchancen=Chancen
df[:3]  #Erste 3 Zeilen

Optimierung

def solve(df: pd.DataFrame, num: int, alpha: float) -> pd.DataFrame:
    """Finden Sie die Anzahl der Einkäufe

    :param df:Variablentabelle
    :param num:Maximale Anzahl von Einkäufen
    :param alpha:Rücklaufquote
    :return:Variablentabelle (Spalte Val gibt die Anzahl der Käufe an)
    """
    n = len(df[df.Second == -1])  #Anzahl der zu gewinnenden Linien
    m = model_min(dfi=df)  #Mathematisches Modell
    df["Mono"] = None  #Ob man einen Gewinn kauft
    df.loc[: n - 1, "Mono"] = addbinvars(n)
    m += lpSum(df.Var)  #Zielfunktion (Gesamtzahl der Einkäufe)
    m += lpSum(df.Var) <= num  #Maximale Anzahl von Einkäufen
    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

• Die maximale Anzahl von Einkäufen beträgt 1000 (num). Da jedes Blatt 100 Yen ist, beträgt der Militärfonds 100.000 Yen. ――Wir werden Beschränkungen festlegen, sodass die Dividende unabhängig davon, welches Pferd gewinnt, mindestens 108.000 Yen beträgt (Militärfonds x Alpha).
• Als Ergebnis werde ich 999 Stück kaufen (res.Val.sum ()). ―― Egal welches Pferd von 1 bis 7 ist, die "Preis" -Reihe beträgt über 108.000 Yen.

alpha = 1.08 sollte durch eine 2-minütige Suche gefunden werden. Es ist erstaunlich, dass es 100% profitabel ist, keine Schreibtisch-Theorie.

das ist alles