Промты для ставок: как превратить ИИ в аналитика, а не в типстера

Фреймворк • Шаблоны • Ограничения

Промты для ставок: как превратить ИИ в аналитика, а не в типстера

Готовые архитектуры промтов для прематч-разведки, лайв-реакции, математики банкролла и пост-анализа. Без магии — только структура, контекст и верификация.

Ловушка «Дай верный исход»

Большинство открывает чат и пишет: «Кто выиграет: «Реал» или «Барселона»?». Модель выдаёт уверенный ответ, подмешивая галлюцинации по estatísticas, упуская травмы и игнорируя יעילות рынка.

Результат — потеря банка и разочарование в ИИ. Проблема не в модели, а в роли, которую вы ей поручили. Типстер предсказывает будущее. Аналитик оценивает вероятности на основе данных.

Задача промпта — не угадать счёт, а заставить модель выполнить работу аналитика: структурировать шум, применить математику, вернуть ожидаемую ценность (EV) и уверенность оценки.

Четыре столпа рабочего промпта

Роль (Persona): «Ты — квантовый аналитик ставок с 15-летним стажем моделирования Пуассона и xG».
Контекст (Context): Сырые данные (xG, PPDA, травмы, мотивация, судей, погода), вставленные в промт или загруженные файлом.
Задача и формат (Task & Format): «Рассчитай λ для Пуассона, смоделируй 10 000 матчей Монте-Карло, верни JSON с вероятностями ТО, ТМ, Фора, EV% и Kelly stake».
Верификация (Verification): «Покажи расчёт λ. Если данных нет — напиши INSUFFICIENT_DATA, не выдумывай».

Архетип промта: Анатомия запроса к Code Interpreter

# ROLE
You are a Sharp Sports Quant. You do not predict. You model distributions.
# DATA INPUT (Paste your CSV/JSON or key stats below)
HOME_TEAM: [Team Name] | xG_last_10: [val] | xGA_last_10: [val] | PPDA: [val] | Injuries: [list] | Motivation: [High/Med/Low]
AWAY_TEAM: [Team Name] | xG_last_10: [val] | xGA_last_10: [val] | PPDA: [val] | Injuries: [list] | Motivation: [High/Med/Low]
MARKET_ODDS: 1: [o1] X: [ox] 2: [o2] | Total_2.5: [Over/Under odds]
# TASK
1. Calculate Attack/Defence strength (xG/LeagueAvg).
2. Run Monte Carlo (10,000 sims) using Bivariate Poisson (account for correlation).
3. Derive Fair Odds & Implied Probabilities.
4. Calculate Expected Value (EV%) vs Market Odds.
5. Calculate Kelly Criterion Stake (Fractional Kelly 0.25).
# OUTPUT FORMAT (Strict JSON)
{
  «match»: «HOME vs AWAY»,
  «lambdas»: {«home»: 0.00, «away»: 0.00},
  «probabilities»: {«1»: 0.00, «X»: 0.00, «2»: 0.00, «Over_2.5»: 0.00},
  «fair_odds»: {«1»: 0.00, «X»: 0.00, «2»: 0.00},
  «value_bets»: [{«market»: «1», «ev_percent»: 0.0, «kelly_stake_pct»: 0.0}],
  «confidence»: «High/Medium/Low»,
  «warnings»: [«Key striker out», «Correlation assumption used»]
}
# CONSTRAINT: If missing data -> return {«error»: «INSUFFICIENT_DATA», «missing»: [«xG_home»]}. NO HALLUCINATIONS.

Категории промтов: от разведки до рефлексии

1. Прематч-разведка

Сбор и структурирование данных до выхода линии. Парсинг новостей, тактика, мотивация, судейский фактор, погода.

Ключевой приём → RAG над новостной лентой за 72ч

2. Лайв-реакция

Обработка потока событий в реальном времени: гол, красная карта, смена тактики. Пересчёт λ на лету.

Ключевой приём → Chain-of-Thought для тактического сдвига

3. Банкролл и риск

Расчёт оптимального размера ставки, симуляция просадок, корреляция позиций, келли-критерий и его фракционные вариации.

Ключевой приём → Монте-Карло симуляция сезона (1000+ итераций)

4. Пост-анализ (Debrief)

Разбор ошибок модели vs реальности. Поиск систематических смещений (bias), калибровка вероятностей, обновление априорных распределений.

Ключевой приём → Brier Score & Reliability Diagram

Versus: Плохой промт против Профессионального

Анти-паттерн: «Сырая интуиция»

«Привет. Дай 3 верных исхода на сегодня по футболу. Коэффициенты от 1.8 до 2.2. Хочу заработать на машине».

Нет роли, нет данных, нет формата.
Запрашивает предсказание, а не анализ.
Игнорирует эффективность рынка.
Гарантированная галлюцинация статов.

Про-паттерн: «Структурированный квант»

ROLE: Sharp Quant Analyst.
DATA: [Pasted JSON with xG, PPDA, Injuries, Lineups, Weather, Referee stats, Market Odds]
TASK:
1. Compute Poisson Lambdas with Dixon-Coles adjustment for low scoring.
2. Simulate 50k matches. Output P(Home), P(Draw), P(Away), P(Total>2.5).
3. Compare vs Market Implied Prob. Find EV > +3%.
4. Output Kelly Fraction (1/4 Kelly) for each +EV bet.
FORMAT: Strict JSON (schema provided).
CONSTRAINT: Flag low confidence if key player missing or sample < 5 games.

Чёткая роль и методология (Dixon-Coles).
Входные данные — ответственность пользователя.
Запрос EV и Kelly, а не «победы».
Жёсткий формат вывода для парсинга.
Явное условие отказа (Low confidence).

Окно в код: 3 промта, которые работают прямо сейчас

Промт 1: Быстрый прематч-скрининг (без Code Interpreter)

Analyze match: [Home] vs [Away]. League: [Name].
INPUT DATA:
- Last 6 H2H: [Results]
- Home Form (Last 6): [W/D/L + xG/xGA]
- Away Form (Last 6): [W/D/L + xG/xGA]
- Key Injuries/Suspensions: [List for both]
- Motivation Context: [Title race / Relegation / Friendly]
- Referee: [Name, Avg Cards, Avg Fouls, Home Bias %]
- Market Odds: 1=[o1] X=[ox] 2=[o2] | O2.5=[oO] U2.5=[oU]

INSTRUCTION:
Act as a Sharp Analyst. Do NOT predict winner.
1. Estimate Home/Away Lambda (xG based, adjust for injuries/motivation +/-15%).
2. Calculate Poisson Probs for 1, X, 2, O2.5, U2.5.
3. Calculate Implied Prob from Odds.
4. Identify Value Bets: EV = (My_Prob * Odds) - 1. Report only EV > 2%.
5. Output Table: Market | My_Prob | Market_Prob | EV% | Verdict (Value/No Value/Pass).
6. Confidence Score (1-10) based on data completeness.

Промт 2: Лайв-пересчёт после раннего гола

LIVE SCENARIO UPDATE.
Match: [Home] vs [Away]. Minute: [Min]. Score: [H]-[A].
Event: [Goal / Red Card / Injury Key Player / Tactical Switch].
PRE-MATCH LAMBDAS: Home=[λh] Away=[λa].
CURRENT MARKET ODDS: 1=[o1] X=[ox] 2=[o2] | Next Goal=[oNG].

TASK:
1. Adjust Lambdas for Time Decay (Remaining Time Factor).
2. Adjust for Event Impact:
   - Goal: Shift lambda to scoring team (+20% attack / -10% defence opponent).
   - Red Card: Reduce 10-man team attack -30%, increase opp attack +25%.
3. Re-run Poisson for Remaining Time.
4. Calculate New Fair Odds & EV vs Live Market.
5. OUTPUT JSON: { "minute", "score", "new_lambdas", "probs_remaining", "value_bets_live", "risk_warning" }.
CONSTRAINT: If Min > 75 and score diff > 1 -> "High Variance Warning".

Промт 3: Стресс-тест банкролла (Monte Carlo Season)

ROLE: Risk Manager / Quant.
PORTFOLIO: [List of intended bets: League, Market, Odds, My_Prob, Stake% (Kelly Fraction)].
BANKROLL: [Starting Units, e.g., 100u].
SIMULATION PARAMS:
- Iterations: 50,000 seasons.
- Bet Resolution: Bernoulli trial based on My_Prob (not Market Prob!).
- Variance: Log Normal distribution for ROI.
- Correlation: Assume 0.15 avg correlation between same-day bets.

OUTPUT REPORT (JSON):
{
  "expected_roi": 0.00,
  "median_roi": 0.00,
  "prob_profit": 0.00,
  "max_drawdown_5th_pctile": 0.00,
  "risk_of_ruin_50pct": 0.00,
  "kelly_efficiency": 0.00,
  "recommended_fractional_kelly": 0.00
}
VISUALIZATION REQUEST (if Code Interpreter): Plot ROI distribution histogram + Drawdown underwater curve.

Продвинутый уровень: Агентная архитектура

Один промт — один шаг. Для системной работы собирают цепочку агентов (Agentic Workflow), где каждый узел специализирован.

Scout Agent: Парсит RSS/API/Telegram за новостями, травмами, составы. Выдаёт структурированный JSON.
Quant Agent: Принимает JSON Scout, считает Ламбды, Пуассон, Диксон-Колс, Монте-Карло. Выдаёт Fair Odds + EV.
Risk Agent: Принимает список Value Bets, применяет Kelly, проверяет корреляцию, лимиты экспозиции по лигам/командам. Выдаёт финальный стейк-лист.
Execution Agent: (Опционально) API к букмекерам для автопоставки при соблюдении лимитов слива.
Audit Agent: Пост-матч. Сравнивает прогнозы с реальностью, считает Brier Score, калибрует модели.

Это переводит процесс из «спросил — получил» в «запустил конвейер». Требует программирования (Python + LangGraph / AutoGen), но снимает рутину копипаста.

Красные флаги: когда ИИ врет

Фантомные статы: «xG «Спартака» за сезон 2.45». Модель выдумывает точные цифры, если у неё нет доступа к актуальной БД (Understat, FBref, Opta).
Игнорирование корреляции: Пуассон считает голы независимыми. В реале 0:0 и 1:1 чаще. Нужен Бивариатный Пуассон или Диксон-Колс. Промт должен это требовать.
Выживаемость предвзятости: Если вы пишете «Я фанат «Ливерпуля», помоги», модель подстроится. Роль должна быть нейтральной: «Sharp Quant».
Отсутствие календаря: Модель не знает, что сегодня 2026 год, если вы не дадите контекст даты и тура. Она оперирует данными до кат оффа.

Этика, Закон и Ответственность

ИИ — инструмент моделирования, не كريستальный шар. Никакой промт не гарантирует прибыль. Ставки несут риск потери денег и зависимости.

Проверяйте легальность ставок в своей юрисдикции.
Никогда не ставьте больше, чем готовы потерять.
ИИ не имеет доступа к инсайдерской информации (фиксы, договорённости).
Используйте ИИ для дисциплины и математики, а не для поиска «легких денег».

Главная мысль

Преимущество не в промте, а в дисциплине его исполнения

Лучший промт бесполезен, если вы не собрали чистые xG, не учли травму лидера, не запустили Монте-Карло и не применили Келли. ИИ убирает рутину расчётов. Ваша работа — качество входа и контроль выхода.

Структура > Интуиция EV > Win Rate Процесс > Результат

Нейросети Промты Разное

21 октября, 2026

Статьи по теме