Betting exchanges constitute one area of the sports betting industry. A betting exchange is a marketplace where individuals can bet against each other. The odds (probability of outcome) on betting exchanges are therefore determined by the market, in this case several individuals. These exchanges are therefore different compared to traditional sports betting, where bookmakers set the odds and individuals can then choose to bet on the bookmakers’ odds.

The problem with betting exchanges is that the odds can fluctuate extensively and trends in the liquidity on the betting exchanges influence the odds. The target is to make a comparative analysis between state-of-the-art machine learning (ML) models to successfully indicate if the odds will change and understand the impact on predictive performance between different levels of

liquidity. In addition, betting exchanges share similar characteristics as financial stock markets in terms of pricing and liquidity, therefore financial trading formulas are implemented to assess the performance of ML models more securely in the domain of betting exchanges.

There have been many different implementations for ML in the domain of sports betting, with varying levels of performance. There are very few studies on the utilization of ML in the field of betting exchanges. Related work in betting exchanges has been about building a trading algorithm.

This thesis takes an experimental approach and implement and evaluate state-of-the-art solutions to understand the suitability of ML and financial trading formulas under different amounts of liquidity in the field of betting exchanges.

The result in this study indicates that the predictive performance in general is very low and that a financial trading algorithm performed better than the best ML algorithm for some classes, and vice versa, ML algorithms performed better for classification on other classes. This result therefore presents observations on when each respective model performs better and can establish a foundation for future optimization of the models. However, this thesis cannot define with certainty the most optimal model in predicting odds movements in betting exchanges.

Spelbörser utgör ett område inom sportbettingindustrin. En spelbörs är en handelsplats där individer kan lägga spel mot varandra. Oddset (sannolikheten för ett utfall) på spelbörser bestäms därav av marknaden, som i detta fall består av flera individer. Dessa spelbörser är därför skilda från traditionella vadhållare, där vadhållaren sätter oddsen och individer kan välja om de vill spela på dessa odds.

Problemet med spelbörser är att oddset fluktuerar kraftigt och trender i likviditet på spelbörsen påverkar oddset. Målet med detta arbete är att genomföra en komparativ analys mellan maskininlärningsalgoritmer och finansiella tradingformer för att framgångsrikt indikera om oddset kommer att ändras. I tillägg kommer den prediktiva prestandan att jämföras baserat på olika nivåer av likviditet på marknaden. Spelbörser har många likheter med aktiebörser i termer av prissättning och likviditet, därav kommer finansiella tradingformer att implementeras för att grundligt och säkrare förstå och bedöma prestandan för maskininlärningsmetoder inom spelbörser.

Flera implementationer med maskininlärning inom sportbetting har genomförts, där det även framgår att maskininlärningsmetoder kan vara ett framgångsrikt verktyg för att öka vinster. Däremot, finns det väldigt få studier inom spelbörser. Relaterade arbeten inom spelbörser har främst utvecklat och implementerat tradingalgoritmer.

Detta arbete tillämpar en experimentell forskningsmetod, samt implementera och utvärdera moderna maskininlärningsmetoder och finansiella handelsformler för att förstå lämpligheten under olika nivåer av likviditet inom spelbörser.

Resultatet av denna studie indikerar att den prediktiva prestandan generellt är låg och att finansiella handelsformler presterar bättre än maskininlärningsalgoritmer i vissa klasser och vice versa, presterar maskininlärningsmetoder bättre för andra klasser. Resultatet lägger endast en grund för framtida arbeten vad gäller att visa vilken modell som presterar bättre eller sämre. Detta arbete kan inte med säkerhet avgöra vilken modell som är bäst på att förutspå oddsrörelser inom spelbörser.