論文の概要: A data-driven framework for team selection in Fantasy Premier League
- arxiv url: http://arxiv.org/abs/2505.02170v2
- Date: Wed, 05 Nov 2025 09:17:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.083601
- Title: A data-driven framework for team selection in Fantasy Premier League
- Title（参考訳）: Fantasy Premier Leagueにおけるチーム選択のためのデータ駆動フレームワーク
- Authors: Danial Ramezani, Tai Dinh,
- Abstract要約: 一定の予算の下で、マネージャーは将来のファンタシー・プレミアリーグのポイントを最大化するためにチームを選ぶ。
本研究では,ラインアップ選択をデータ駆動最適化として定式化する。
2023/24シーズンのプレミアリーグでの試験では、ARIMAは予算に制約があり、ローリングウインドウは最も一貫したアウト・オブ・サンプルのパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 0.552480439325792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fantasy football is a billion-dollar industry with millions of participants. Under a fixed budget, managers select squads to maximize future Fantasy Premier League (FPL) points. This study formulates lineup selection as data-driven optimization and develops deterministic and robust mixed-integer linear programs that choose the starting eleven, bench, and captain under budget, formation, and club-quota constraints (maximum three players per club). The objective is parameterized by a hybrid scoring metric that combines realized FPL points with predictions from a linear regression model trained on match-performance features identified using exploratory data analysis techniques. The study benchmarks alternative objectives and cost estimators, including simple and recency-weighted averages, exponential smoothing, autoregressive integrated moving average (ARIMA), and Monte Carlo simulation. Experiments on the 2023/24 Premier League season show that ARIMA with a constrained budget and a rolling window yields the most consistent out-of-sample performance; weighted averages and Monte Carlo are also competitive. Robust variants improve some objectives but are not uniformly superior. The framework provides transparent decision support for fantasy roster construction and extends to FPL chips, multi-week rolling-horizon transfer planning, and week-by-week dynamic captaincy.
- Abstract（参考訳）: ファンタシーフットボールは、何百万人もの参加者を抱える10億ドル規模の産業である。
一定の予算の下で、マネージャーは将来のファンタシー・プレミアリーグ(FPL)のポイントを最大化するチームを選択する。
本研究は, ラインアップ選択をデータ駆動最適化として定式化し, 予算, 形成, クラブクォータ制約(クラブ当たり最大3人)の下で, スタート11, ベンチ, キャプテンを選択する決定論的かつ堅牢な混合整数線形プログラムを開発する。
目的は,実測値と実測値と,探索的データ解析手法を用いて同定された一致性能の特徴を学習した線形回帰モデルからの予測を組み合わせたハイブリッドスコアリング指標によってパラメータ化される。
この研究は、単純および相対重み付き平均、指数的平滑化、自己回帰統合移動平均(ARIMA)、モンテカルロシミュレーションなど、代替目標とコスト推定をベンチマークする。
2023/24シーズンのプレミアリーグでの試験では、ARIMAは予算が制限され、ローリングウインドウは最も一貫したアウト・オブ・サンプルのパフォーマンスを示し、ヘビード平均とモンテカルロも競争力がある。
ロバストな変種はいくつかの目的を改善するが、一様に優れているわけではない。
このフレームワークはファンタジーロスターの構成を透過的にサポートし、FPLチップ、複数週間のローリング・ホライゾン・トランスファー計画、週毎のダイナミック・キャプテンシーまで拡張する。
関連論文リスト
- Multi-Step Alignment as Markov Games: An Optimistic Online Gradient Descent Approach with Convergence Guarantees [91.88803125231189]
Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデルと人間の好みを合わせることに成功している。
DPOのような一般的な手法は高い性能を示してきたが、彼らは言語モデルとの相互作用を帯域幅の問題として捉えている。
本稿では,アライメント問題を2プレイヤー定数マルコフゲームとしてモデル化することで,これらの課題に対処する。
論文 参考訳（メタデータ） (2025-02-18T09:33:48Z) - How to Select Datapoints for Efficient Human Evaluation of NLG Models? [57.60407340254572]
人間の評価に最も有用なデータポイントを得るためのセレクタ群を開発した。
本研究では,自動測定値の分散に基づくセレクタ,モデル出力の多様性,項目応答理論がランダム選択より優れていることを示す。
特に,情報源に基づく推定手法を導入し,情報源のテキストに基づいて人体評価に有用な項目を推定する。
論文 参考訳（メタデータ） (2025-01-30T10:33:26Z) - Optimizing Fantasy Sports Team Selection with Deep Reinforcement Learning [0.2399911126932527]
我々は,チームの潜在的なパフォーマンスを最大化するために,プレイヤーを適応的に選択できるモデルを開発する。
我々の手法は、過去のプレイヤーデータを利用してRLアルゴリズムを訓練し、将来のパフォーマンスを予測し、チーム構成を最適化する。
以上の結果から,RLベースの戦略が,ファンタジースポーツにおける選手選択に有意義な洞察をもたらすことが示唆された。
論文 参考訳（メタデータ） (2024-12-26T13:36:18Z) - Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。
課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。
我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-08-20T13:57:00Z) - Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。
従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。
LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
論文 参考訳（メタデータ） (2024-06-30T08:00:34Z) - Predicting Football Match Outcomes with eXplainable Machine Learning and
the Kelly Index [0.0]
フットボールの試合の結果を予測するための機械学習アプローチが開発されている。
このデータセットは、2019-2021シーズンをカバーするプレミアリーグの試合データに由来する。
また、本書の確率をベンチマークすることで、その効果を評価するための投資戦略も考案した。
論文 参考訳（メタデータ） (2022-11-28T19:32:58Z) - Data Science Approach to predict the winning Fantasy Cricket Team Dream
11 Fantasy Sports [0.0]
データサイエンスと分析の応用は現代世界ではユビキタスである。
ゲームプレイヤのパフォーマンスを予測する予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-15T01:58:57Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Prediction of Football Player Value using Bayesian Ensemble Approach [13.163358022899335]
そこで本研究では,FIFAデータ分析に基づいて,世界トップのサッカー選手の移籍手数料に影響を及ぼす要因について事例研究を行った。
各プレイヤーの市場価値を予測するため,木構造パーゼンエミュレータ(TPE)アルゴリズムを用いて改良されたLightGBMモデルを提案する。
論文 参考訳（メタデータ） (2022-06-24T07:13:53Z) - Explainable expected goal models for performance analysis in football
analytics [5.802346990263708]
本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。
我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
論文 参考訳（メタデータ） (2022-06-14T23:56:03Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。