Bankroll1 000 kr
K
DashboardKamperSinglesTrackerProfil

🔬 Oddshavn Metodikk

Full transparens: slik fungerer AI-modellen

Oddshavn er ikke et tipsblad. Vi er et statistisk beslutningsstøtteverktøy som kombinerer Dixon-Coles fotballmodellering, ELO-rating, Monte Carlo-simulering og Kelly Criterion for å identifisere kamper der modellens sannsynlighet avviker signifikant fra markedets impliserte odds. All kode er deterministisk, og alle prediksjoner kan verifiseres mot historiske resultater påkalibreringssiden.

📡

Datakilder

Oddshavn henter kampdata fra multiple gratis API-er med fallback-hierarki:

  1. ESPN (60s cache) — primær kilde for Premier League, La Liga, Bundesliga, Serie A
  2. OpenLigaDB (5min cache) — Bundesliga og norsk fotball
  3. Football-Data.org (10min cache) — europeisk fotball, historiske resultater
  4. TheSportsDB — fallback for lag-logo og H2H-statistikk

Hver kilde har en datakvalitetsskår. Kun kamper med godkjent datakvalitet («high» / «medium») inkluderes i analysene.

📐

Dixon-Coles fotballmodell

Kjernen er en modifisert Dixon-Coles Poisson-modell som estimerer forventet mål (xG) for hvert lag basert på angreps- og forsvarskoeffisienter, hjemmebanefordel, og motstanderkalibrering.

xG hjemme
xG_h = α_h × β_a × γ_home
xG borte
xG_a = α_a × β_h

Poisson-fordelingen beregner deretter sannsynligheten for alle mulige målkombinasjoner (0-0 til 5-5). Dixon-Coles-korreksjonen justerer for lavmålskamper (0-0, 0-1, 1-0, 1-1) som Poisson systematisk undervurderer.

ELO + Ensemble

Oddshavn kombinerer Dixon-Coles med ELO-rating i et vektet ensemble:

Ensemble-sannsynlighet
P_final = 0.65 × P_Poisson + 0.35 × P_ELO

ELO-ratingene oppdateres etter hvert kamp med K-faktor 32 og tar hensyn til hjemmebanefordel (+100 ELO-poeng). Ensemblet er validert mot 3 sesonger med historiske data og viser lavere Brier Score enn enkeltmodeller alene.

🎲

Monte Carlo-simulering

For å estimere usikkerhet kjøres 10 000 Monte Carlo-simuleringer per kamp. Hver simulering trekker tilfeldig fra xG-fordelingen og gir et simulert kampresultat. Fordelingen av disse resultatene brukes til å beregne:

  • Over/Under 2.5 mål — frekvens av simuleringer med ≥ 3 mål
  • BTTS — frekvens av simuleringer der begge lag scorer
  • Correct Score — topp-5 sannsynlige resultater
  • Konfidens-intervall — 90% confidence interval rundt sannsynlighetene
💰

Expected Value og Kelly

Et spill har kun positiv forventningsverdi (EV) når modellens sannsynlighet overstiger markedets impliserte sannsynlighet:

Expected Value
EV = P_model × Odds_decimal − 1
Kelly Criterion (kvart-Kelly)
f* = (P × b − q) / b × 0.25

Der b = netto odds (decimal − 1), P = modell-sannsynlighet, q = 1 − P. Oddshavn bruker alltid kvart-Kelly som standard for å redusere varians og beskytte bankrollen.

🔍

Sharp Money-detektor

Oddshavn overvåker oddsendringer over tid. En «steam move» detekteres når odds beveger seg ≥ 5% på under 2 timer — et signal om at store aktører («sharps») har plassert store bets på én side.

Sharp-signaler vektes inn i konfidens-scoren: AI-konfidensen økes med opptil 8pp ved enig sharp-bevegelse, og reduseres med opptil 12pp ved motstridende bevegelse (reverse line movement).

🛡️

Ansvarlig spill

Oddshavn er et analyseverktøy, ikke en garantist for gevinst. Alle spill innebærer risiko. Vi anbefaler:

  • Aldri spill mer enn du har råd til å tape
  • Bruk Kelly Criterion som maksimal innsatsgrense — aldri overgå det
  • Sett daglige og ukentlige tapgrenser i innstillingene
  • Ta pause ved >3 konsekvente tap (loss streak-varsling er innebygd)
  • Kontakt Hjelpelinjen.no ved spilleproblemer

Oddshavn er laget av Kristian Dahl Sollesnes — et hobbyprosjekt for statistisk betting-analyse.

Ikke tilknyttet noen bookmaker. Ingen reklame. Ingen betalte anbefalinger.