Modèle de prédiction des matchs de tennis de table (WTT et grandes compétitions ITTF), combinant un ensemble LightGBM + XGBoost et une baseline Elo, avec calibration isotonique des probabilités et évaluation de la valeur de pari (critère de Kelly) face aux cotes de marché.
À partir de l'historique des matchs et des classements ITTF/WTT, le projet estime la probabilité de victoire de chaque joueur sur les matchs à venir, mesure l'écart (edge) entre le modèle et les cotes des bookmakers, et évalue une stratégie de mise par backtest.
- Données : matchs récupérés via l'API World Table Tennis et Sofascore ; classements ITTF/WTT et infos joueurs (snapshots historiques) ; stockage SQLite.
- Variables : Elo pondéré par l'importance de la compétition, forme récente (fenêtre décroissante), confrontations directes, classements ITTF/WTT, repos et fatigue.
- Modèles : ensemble LightGBM et XGBoost, comparés à une baseline Elo ; calibration isotonique ; interprétation par SHAP.
- Value betting : calcul de l'edge face aux cotes, mise fractionnée de Kelly, et backtest de la bankroll avec garde-fous (stop-loss, edge et cote minimaux).
src/ Cœur du projet (package Python)
features/ Construction des variables (Elo, forme, h2h, classements)
models/ Modèles LightGBM / XGBoost et baseline Elo
database/ Schéma SQLAlchemy et accès aux données
scraping/ Collecte des matchs, cotes et classements
backtesting/ Backtest de mise (Kelly) et utilitaires de cotes
config/ Compétitions, hyperparamètres, paramètres de mise
scripts/ Bootstrap des données, scraping, entraînement, prédiction, backtest
data/ Base SQLite, modèles entraînés, métriques, prédictions
pip install -r requirements.txt
cp .env.example .env # renseigner les tokens d'API (facultatif)
python scripts/bootstrap_data.py # import initial des données publiques
python scripts/run_scraper.py # collecte des matchs récents
python scripts/train_model.py # entraînement des modèles
python scripts/predict_upcoming.py # prédictions des matchs à venir
python scripts/backtest.py # backtest de la stratégie de miseUn pipeline GitHub Actions s'exécute chaque semaine (et à la demande) pour maintenir le projet à jour sans intervention :
- collecte des résultats récents ;
- stockage des cotes bookmaker des matchs à venir (Betfair Exchange en priorité, puis The Odds API en repli) ;
- réentraînement du modèle sur l'historique enrichi ;
- prédictions des matchs à venir et backtest crédible (vraies cotes uniquement) ;
- régénération de l'artefact web
data/predictions.jsonet commit de l'état mis à jour.
La base de matchs et le modèle grossissent ainsi au fil des tournois. Les sources de cotes sont facultatives et se configurent via des secrets de dépôt ; au moins une est nécessaire pour enrichir les cotes :
- Betfair Exchange (prioritaire, cotes sans marge) :
BETFAIR_APP_KEY,BETFAIR_USERNAME,BETFAIR_PASSWORD. - OddsPapi (repli si BetsAPI indisponible, couverture tennis de table et historique
2026 selon le compte) :
ODDSPAPI_KEY. - The Odds API (repli, palier gratuit) :
ODDS_API_KEY.
Backfill historique sans BetsAPI :
python scripts/backfill_oddspapi_odds.py --from-date 2026-01-01 --to-date 2026-07-01 --dry-run
python scripts/backfill_oddspapi_odds.py --from-date 2026-01-01 --to-date 2026-07-01Tester la connexion Betfair en local une fois les identifiants renseignés dans .env :
python scripts/test_betfair.py --days 14Les cotes et matchs à venir dépendent de sources tierces dont la disponibilité varie. Les performances de mise sont issues d'un backtest et ne constituent pas un conseil financier ; le projet a une visée méthodologique.
MIT.