Technologie

Le moteur d'intelligence Derrière chaque signal

Méthodologie rigoureuse, modèles transparents et fondations open source. Découvrez comment OddsFlow Partners transforme les données brutes de cotes de plus de 50 bookmakers en intelligence de qualité exploitable.

Architecture

Architecture du pipeline de bout en bout

De l'ingestion de données brutes à la livraison de signaux, chaque étape de notre pipeline est conçue pour la précision, la rapidité et l'auditabilité.

01
Ingestion des données

Collecte de cotes en temps réel auprès de plus de 50 bookmakers mondiaux pour tous les sports majeurs. Normalisées dans un schéma unifié avec une latence inférieure à la seconde.

02
Moteur de valeur juste

La méthodologie Shin de-vig élimine les marges des bookmakers pour dériver les vraies probabilités implicites. Les modèles ensemblistes synthétisent les cotes justes à partir de l'ensemble du marché.

03
Génération de signaux

Les modèles statistiques comparent les cotes individuelles de chaque bookmaker à la valeur juste pour détecter les anomalies, les erreurs de tarification et les écarts de qualité en temps réel.

04
Livraison des signaux

Scores de qualité, alertes d'anomalies et signaux de risque livrés via REST API, WebSocket ou tableau de bord avec piste d'audit complète et dossiers horodatés.

Méthodologie ML

Shin De-Vig et modèles ensemblistes

Notre moteur de valeur juste est construit sur le modèle de Shin, une approche mathématiquement rigoureuse pour éliminer les marges des bookmakers (overround) des cotes publiées. Contrairement au de-vigging multiplicatif basique, la méthode de Shin tient compte de la distribution non uniforme de la marge entre les résultats, produisant des probabilités implicites plus précises.

Pourquoi Shin plutôt que des méthodes plus simples ?

Les méthodes de de-vig plus simples (proportionnelle, additive) supposent que la marge est distribuée également entre tous les résultats. En pratique, les bookmakers chargent plus de marge sur les résultats à cotes longues. Le modèle de Shin capture cette asymétrie en résolvant le paramètre du parieur initié, produisant des probabilités qui reflètent mieux la véritable croyance du marché.

Approche ensembliste

Aucune cote d'un seul bookmaker ne représente parfaitement la valeur juste. Nos modèles ensemblistes agrègent les probabilités de-viggées de plus de 50 sources à l'aide d'une moyenne pondérée, où les poids sont calibrés dynamiquement en fonction de la précision historique de chaque bookmaker, de son influence sur les mouvements de marché et de sa spécialisation dans des sports et ligues spécifiques.

Calibration continue

La performance des modèles est évaluée en continu par rapport aux résultats réels des matchs. Les métriques de calibration (scores de Brier, log-loss, diagrammes de fiabilité) sont calculées quotidiennement et publiées dans nos rapports de transparence. Lorsqu'une dérive est détectée, les poids des modèles sont automatiquement ré-optimisés.

Performance du modèle
Taux de réussite vérifié56.8%

10 000+ matchs

Dossiers vérifiés en PDF228+

Horodatés avant le match

Calibration (score de Brier)0.187

Plus bas est mieux ; parfait = 0

Couverture de marché50+

Bookmakers mondiaux

Pipeline de de-vig
1. Collecter les cotes de plus de 50 bookmakers
2. Appliquer le Shin de-vig par bookmaker
3. Pondérer par précision, influence, spécialité
4. Synthèse ensembliste → cotes de valeur juste
5. Comparer le book cible à la valeur juste
6. Générer les scores de qualité + signaux
Types de signaux

Trois signaux d'intelligence distincts

Chaque type de signal capture une dimension différente de l'intelligence de qualité des cotes, des anomalies de tarification aiguës aux structures de marché et aux indicateurs de risque défensifs.

Signal
HDP Sniper
Intelligence des lignes de handicap

Identifie les écarts statistiquement significatifs dans les lignes de handicap asiatique lorsque les cotes d'un bookmaker divergent du consensus de valeur juste. Les signaux HDP Sniper indiquent des marchés où la ligne a probablement été mal fixée par rapport à la vraie probabilité, créant des inefficiences exploitables.

  • Concentré sur les lignes de handicap asiatique et les totaux
  • Filtrage par seuil de confiance élevé
  • Taux de réussite historique : 58.3 % sur les signaux suivis
Signal
Active Trader
Intelligence des mouvements de marché

Détecte les mouvements coordonnés de cotes à travers plusieurs bookmakers qui signalent une activité de marché informée. Les signaux Active Trader capturent la « sagesse du marché avisé » en identifiant quand des sommes importantes déplacent les lignes dans une direction cohérente à travers l'écosystème.

  • Analyse de corrélation des mouvements multi-bookmakers
  • Notation de la vélocité et de l'amplitude
  • Détection précoce des premiers mouveurs pour ajustement proactif
Signal
Shield
Intelligence de risque défensif

Fournit une alerte précoce sur les marchés où votre book est positionné à contre-courant du consensus d'une manière qui crée un risque concentré. Les signaux Shield aident les gestionnaires de risque à identifier les points chauds de responsabilité potentielle avant que les parieurs avisés n'exploitent l'écart.

  • Alertes de positionnement à contre-consensus
  • Notation du risque de concentration de responsabilité
  • Analyse d'exposition aux événements corrélés
IA agentique

Infrastructure d'IA agentique

Au-delà de l'analytique traditionnelle, OddsFlow fournit l'infrastructure pour des agents IA autonomes — du développement d'agents personnalisés à la communication inter-agents et la confiance.

Développement d'agents personnalisés

Nous développons des agents IA adaptés à votre plateforme — surveillance des cotes, évaluation des risques, assistants de trading et plus encore. POC en 4 semaines.

En savoir plus sur les agents personnalisés
Protocole Agent-to-Agent

Un protocole ouvert permettant la communication machine-à-machine entre agents IA pour la vérification autonome des données et le trading.

En savoir plus sur le protocole A2A
Agent Reputation Network

La couche de confiance pour les agents autonomes. Historiques vérifiables, notation dynamique et niveaux de confiance gradués pour chaque agent.

Tous les détails
Couche de confiance

Agent Reputation Network

Chaque source de signal (agent) dans l'écosystème OddsFlow construit une réputation vérifiable basée sur la précision historique, la cohérence et la transparence. Les agents à réputation plus élevée reçoivent un poids plus important dans la synthèse ensembliste des signaux.

Historiques vérifiables

Historique de prédictions horodaté cryptographiquement, calculé à partir des résultats réels.

Pondération dynamique

Les agents à meilleure réputation obtiennent plus de poids. Les mauvais performeurs sont automatiquement dépondérés.

Découvrir le Agent Reputation Network complet

Aperçu de la réputation des agents

hdp-sniper-v3
Rép: 94.2
Signaux: 1,847Taux de réussite: 58.3%
active-trader-v2
Rép: 91.7
Signaux: 3,241Taux de réussite: 55.1%
shield-v1
Rép: 89.4
Signaux: 982Taux de réussite: 61.2%
ensemble-meta
Rép: 96.1
Signaux: 6,070Taux de réussite: 56.8%

Données agents en direct du Agent Reputation Network.

Open source

Transparent par défaut

Nous publions ouvertement notre méthodologie, nos modèles et nos cadres d'évaluation. L'examen par les pairs n'est pas un risque pour notre activité ; c'est le fondement de notre crédibilité.

GitHub
Algorithmes de base, implémentations de de-vig, pipelines de génération de signaux et cadres d'évaluation. Licence MIT.
Kaggle
Jeux de données sélectionnés, notebooks de compétition et études de benchmarking. Explorez nos données et reproduisez nos résultats.
HuggingFace
Poids de modèles pré-entraînés, tokenizers et exemples d'inférence. Téléchargez et exécutez nos modèles localement pour évaluation.

See our consumer-facing intelligence tools at OddsFlow.ai

FAQ

Questions fréquemment posées

En quoi le Shin de-vig se compare-t-il aux autres méthodes de de-vig ?

Les méthodes courantes comme le de-vig proportionnel, additif et en puissance supposent que la marge est distribuée également entre les résultats. La méthode de Shin tient compte du biais favori-outsider en résolvant le paramètre du parieur initié (z), modélisant la façon dont les bookmakers chargent plus de marge sur les résultats d'outsiders. La recherche empirique montre systématiquement que Shin produit des estimations de valeur juste plus précises, en particulier sur les marchés de handicap asiatique et les événements à grand nombre de participants.

Qu'est-ce que la détection de paris suspects et comment l'IA l'améliore-t-elle ?

La détection de paris suspects identifie des schémas de mises indiquant un trucage de matchs ou une manipulation coordonnée. L'IA améliore la détection en analysant les mouvements de cotes inter-bookmakers, les anomalies de volume, les schémas temporels et les signaux de marchés corrélés en temps réel. Les modèles d'OddsFlow signalent instantanément les schémas suspects et génèrent des pistes d'audit adaptées aux organismes de surveillance de l'intégrité.

Comment fonctionne la surveillance et l'alerte de marché en temps réel ?

OddsFlow ingère en continu les cotes de plus de 50 bookmakers, les normalise et les fait passer par le moteur de valeur juste et le pipeline de détection d'anomalies. Les alertes sont classées par type (anomalie, dérive, mouvement brusque, ligne obsolète), sévérité et action recommandée, puis délivrées via WebSocket, REST API, webhook e-mail/Slack ou tableau de bord. Les règles sont configurables par sport, ligue, type de marché et seuil.

Voyez la technologie en action sur vos cotes

Notre audit gratuit applique le pipeline d'intelligence complet à un échantillon de vos cotes et fournit un rapport de qualité complet en 24 heures.

Or explore free signal tools on OddsFlow.ai