sports-betting

🏆 体育博彩 AI 工具箱 —— 让算法帮你"看懂"赔率

如果有人告诉你，他花了五年时间收集了27个足球联赛、900多种联赛-赛季组合的历史数据，只为了一件事：找出那些被博彩公司低估的投注机会——你会不会觉得他在痴人说梦？

sports-betting 就是这样一个项目。它的作者 Georgios Douzas 从 2019 年开始，一个人维护这个开源工具，如今已有 742 Stars、139 Forks，在 GitHub 体育博彩类 Python 项目中算得上头部梯队。更重要的是：它不只是个项目——它是一套完整的体育博彩建模工作流。

🔬 这个项目解决什么问题？

体育博彩的本质，是一场信息战。博彩公司开出赔率，本质上是对比赛结果的概率估计。但赔率不是纯粹的概率——它包含一个"抽水"（over-round），确保博彩公司长期稳赚。

价值投注（Value Bet） 的逻辑很简单：当你自己估计的概率 > 赔率隐含的概率时，下注。 理论上，长期坚持下去，期望收益为正。

但说起来容易，做起来难。你需要：

数据：历史比赛数据 + 赔率数据
模型：用数据训练预测模型
回测：在历史数据上验证策略是否有效
前瞻：找出未来比赛中的价值投注

sports-betting 正是为这四步设计的。

⚙️ 核心架构：两个引擎 + 三种入口

核心组件

Dataloader（数据加载器） 负责从统计数据源（statistics source）和赔率数据源（odds source）下载数据，并将其整理成适合建模的格式。作者默认使用了 Football-Data.co.uk 的数据——这是一个覆盖27个联赛、数十年历史的免费足球数据集。

支持的联赛包括英格兰5级联赛、德国/意大利/法国/西班牙/苏格兰/荷兰/比利时/葡萄牙/土耳其/希腊的1-2级联赛，以及阿根廷、美国等16个国家的单级别联赛。每个联赛都包含多家博彩公司的历史赔率。

数据加载器支持灵活配置：可以按联赛、赛季、赔率类型（如 market_maximum，取市场上最优赔率）进行筛选。

Bettor（投注器） 任何 scikit-learn 估计器都可以包装成 Bettor。它提供两种核心功能：

回测（Backtest）：用历史数据验证策略在过去的表现
投注（Bet）：在即将到来的比赛（fixtures）中找出价值投注

BettorGridSearchCV 提供了超参数网格搜索，支持时间序列交叉验证（TimeSeriesSplit），避免了普通 K-Fold 交叉验证带来的数据泄露问题。

三种使用入口

AI Agent（Claude MCP）：项目作者特意强调，这是"first-class"的入口方式。安装 MCP 服务器后，可以直接用自然语言与数据交互、构建模型、解读结果。项目文档里展示了与 Claude 的完整对话——用自然语言让 AI 搜索策略、回测、找价值投注，全程无需写代码。

Python API：标准 scikit-learn 风格的 API，任意分类器都可以通过 ClassifierBettor 包装成投注模型。配合 make_pipeline、ColumnTransformer 等工具，可以构建完整的机器学习流水线。

GUI（Reflex Web 应用）：提供了基于 Reflex 框架的 Web 界面，可以上传/创建数据加载器、回测策略、查看价值投注，内置 Bot 辅助引导。安装方式为 pip install sportsbet[gui]，运行 sportsbet-gui 启动服务。

📊 真实回测数据：策略究竟有没有效？

项目 README 里展示了多个真实回测案例，数据透明、可复现：

案例一：德国/意大利/法国联赛，2021-2024

模型：逻辑回归（Logistic Regression）
交叉验证：5折时间序列
初始资金：£10,000，每注 £50
结果：平均收益率 +2.6%，5个折叠中3个为正

案例二：意大利联赛平局投注，2021-2024

聚焦单一市场：平局（draw）
训练数据：意大利甲级+乙级联赛
结果：平均收益率 +9.0%，5个折叠全部为正

⚠️ 作者坦诚的警示：这些结果中有一部分是"搜索偏差"——我在数据上尝试了十几种配置，才找到了这个看起来不错的策略。在真正下注之前，请保留一个从未触碰的赛季做独立验证。

这种坦诚在博彩类项目中极为罕见。大多数同类项目会刻意隐藏回测失败的历史，而 sports-betting 的作者选择把方法论和局限性全部公开。

🛠️ 技术栈与代码质量

技术栈：

Python 3.11-3.13（必须 Python 3.11+）
scikit-learn >= 1.6（建模核心）
pandas >= 2.3（数据处理）
pandera（数据验证）
Reflex（GUI 框架）
cloudpickle（模型序列化）
click + rich（CLI 美化）
aiohttp（异步 HTTP）

开发质量：

完整的类型注解（mypy 检查通过）
Black + Ruff 代码格式化
pytest 单元测试 + pytest-cov 覆盖率
pre-commit hooks
Bandit 安全扫描
pip-audit 依赖安全检查
Interrogate 文档覆盖率检查 -PDM 包管理
nox 任务自动化
完整的 mkdocs 文档站点

代码结构：

src/sports_betting/
├── dataloaders/       # 数据加载器
├── evaluation/        # 投注器 & 回测
├── sources/          # 数据源（FootballData 等）
├── cli/              # CLI 入口
├── mcp/              # Claude MCP 服务器
└── gui/              # Reflex Web GUI

🚀 如何开始

pip 一键安装（推荐）：

pip install sportsbet

带 GUI 版本（需 Node.js >= 22）：

pip install sportsbet[gui]
sportsbet-gui

Claude MCP 接入（AI Agent 方式）：

pip install 'sports_betting[mcp]'
claude mcp add sportsbet -- sportsbet-mcp

开发安装：

git clone https://github.com/georgedouzas/sports-betting.git
cd sports-betting
pdm install

⚠️ 局限性与风险提示

数据来源单一：默认数据源 Football-Data.co.uk 的免费数据有联赛数量限制，高质量历史数据需要付费订阅
策略过拟合风险：README 中作者明确承认了这一点——在回测数据上搜索策略时，容易产生过拟合偏差
足球以外联赛：目前主要针对足球（soccer），其他运动（篮球、网球等）需要自行扩展数据源
无容器化支持：没有 Dockerfile 或 docker-compose，部署依赖 Python 环境手动配置
博彩法规风险：不同国家和地区对体育博彩的法规差异极大，使用前请确保符合当地法律

🌱 行业意义

sports-betting 代表了一个有趣的趋势：将专业金融量化分析的思维，迁移到体育博彩领域。价值投资的核心理念（找到被市场错误定价的资产）在体育博彩中找到了一个独特的应用场景。

项目最值得称道的地方，是它的方法论透明度——作者在 README 中详细展示了整个推理过程、参数选择逻辑，以及结果解读方式。对于想学习机器学习应用或量化建模的开发者来说，这是一个非常好的实战案例。

更重要的是，它证明了一个人也能维护一个高质量的开源项目：持续更新5年、完整的测试/文档/类型检查、活跃的 GitHub Discussions。

分析时间：2026-07-17 | 项目 Stars: 742 | Forks: 139 | License: MIT

🏆 体育博彩 AI 工具箱 —— 让算法帮你"看懂"赔率

🔬 这个项目解决什么问题？

价值投注（Value Bet） 的逻辑很简单：当你自己估计的概率 > 赔率隐含的概率时，下注。 理论上，长期坚持下去，期望收益为正。

但说起来容易，做起来难。你需要：

数据：历史比赛数据 + 赔率数据
模型：用数据训练预测模型
回测：在历史数据上验证策略是否有效
前瞻：找出未来比赛中的价值投注

sports-betting 正是为这四步设计的。

⚙️ 核心架构：两个引擎 + 三种入口

核心组件

数据加载器支持灵活配置：可以按联赛、赛季、赔率类型（如 market_maximum，取市场上最优赔率）进行筛选。

Bettor（投注器） 任何 scikit-learn 估计器都可以包装成 Bettor。它提供两种核心功能：

回测（Backtest）：用历史数据验证策略在过去的表现
投注（Bet）：在即将到来的比赛（fixtures）中找出价值投注

BettorGridSearchCV 提供了超参数网格搜索，支持时间序列交叉验证（TimeSeriesSplit），避免了普通 K-Fold 交叉验证带来的数据泄露问题。

三种使用入口

📊 真实回测数据：策略究竟有没有效？

项目 README 里展示了多个真实回测案例，数据透明、可复现：

案例一：德国/意大利/法国联赛，2021-2024

模型：逻辑回归（Logistic Regression）
交叉验证：5折时间序列
初始资金：£10,000，每注 £50
结果：平均收益率 +2.6%，5个折叠中3个为正

案例二：意大利联赛平局投注，2021-2024

聚焦单一市场：平局（draw）
训练数据：意大利甲级+乙级联赛
结果：平均收益率 +9.0%，5个折叠全部为正

⚠️ 作者坦诚的警示：这些结果中有一部分是"搜索偏差"——我在数据上尝试了十几种配置，才找到了这个看起来不错的策略。在真正下注之前，请保留一个从未触碰的赛季做独立验证。

这种坦诚在博彩类项目中极为罕见。大多数同类项目会刻意隐藏回测失败的历史，而 sports-betting 的作者选择把方法论和局限性全部公开。

🛠️ 技术栈与代码质量

技术栈：

Python 3.11-3.13（必须 Python 3.11+）
scikit-learn >= 1.6（建模核心）
pandas >= 2.3（数据处理）
pandera（数据验证）
Reflex（GUI 框架）
cloudpickle（模型序列化）
click + rich（CLI 美化）
aiohttp（异步 HTTP）

开发质量：

完整的类型注解（mypy 检查通过）
Black + Ruff 代码格式化
pytest 单元测试 + pytest-cov 覆盖率
pre-commit hooks
Bandit 安全扫描
pip-audit 依赖安全检查
Interrogate 文档覆盖率检查 -PDM 包管理
nox 任务自动化
完整的 mkdocs 文档站点

代码结构：

src/sports_betting/
├── dataloaders/       # 数据加载器
├── evaluation/        # 投注器 & 回测
├── sources/          # 数据源（FootballData 等）
├── cli/              # CLI 入口
├── mcp/              # Claude MCP 服务器
└── gui/              # Reflex Web GUI

🚀 如何开始

pip 一键安装（推荐）：

pip install sportsbet

带 GUI 版本（需 Node.js >= 22）：

pip install sportsbet[gui]
sportsbet-gui

Claude MCP 接入（AI Agent 方式）：

pip install 'sports_betting[mcp]'
claude mcp add sportsbet -- sportsbet-mcp

开发安装：

git clone https://github.com/georgedouzas/sports-betting.git
cd sports-betting
pdm install

⚠️ 局限性与风险提示

数据来源单一：默认数据源 Football-Data.co.uk 的免费数据有联赛数量限制，高质量历史数据需要付费订阅
策略过拟合风险：README 中作者明确承认了这一点——在回测数据上搜索策略时，容易产生过拟合偏差
足球以外联赛：目前主要针对足球（soccer），其他运动（篮球、网球等）需要自行扩展数据源
无容器化支持：没有 Dockerfile 或 docker-compose，部署依赖 Python 环境手动配置
博彩法规风险：不同国家和地区对体育博彩的法规差异极大，使用前请确保符合当地法律

🌱 行业意义

更重要的是，它证明了一个人也能维护一个高质量的开源项目：持续更新5年、完整的测试/文档/类型检查、活跃的 GitHub Discussions。

分析时间：2026-07-17 | 项目 Stars: 742 | Forks: 139 | License: MIT

社区活跃度

🏆 体育博彩 AI 工具箱 —— 让算法帮你"看懂"赔率

🔬 这个项目解决什么问题？

⚙️ 核心架构：两个引擎 + 三种入口

核心组件

三种使用入口

📊 真实回测数据：策略究竟有没有效？

🛠️ 技术栈与代码质量

🚀 如何开始

⚠️ 局限性与风险提示

🌱 行业意义

社区活跃度

🏆 体育博彩 AI 工具箱 —— 让算法帮你"看懂"赔率

🔬 这个项目解决什么问题？

⚙️ 核心架构：两个引擎 + 三种入口

核心组件

三种使用入口

📊 真实回测数据：策略究竟有没有效？

🛠️ 技术栈与代码质量

🚀 如何开始

⚠️ 局限性与风险提示

🌱 行业意义