Publicação
How to win the (fantasy) premier league : a reinforcement learning decision support system for fantasy premier league management and strategy optimization
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| datacite.subject.sdg | 04:Educação de Qualidade | |
| datacite.subject.sdg | 08:Trabalho Digno e Crescimento Económico | |
| dc.contributor.advisor | Bertani, Nicolò | |
| dc.contributor.author | Emerson, Harry James | |
| dc.date.accessioned | 2026-07-17T16:14:21Z | |
| dc.date.available | 2026-07-17T16:14:21Z | |
| dc.date.embargo | 2027-01-17 | |
| dc.date.issued | 2026-02-02 | |
| dc.date.submitted | 2026-01-05 | |
| dc.description.abstract | Participation in the Fantasy Premier League has grown year on year, peaking in the latest2024/25 season with 11.5 million players. As a result, the entire ecosystem surrounding FPLhas also flourished, now pathing the way to decision support services, not connected to theownership of FPL but benefitting financially from it and its players. This thesis aims developa reinforcement learning agent that serves as the foundation for a competing service. Thiswould be one that is open and academic, disclosing models and methods to allow scrutiny ofresults.This research frames the task as a Markov Decision Process (MDP), where an RL agentinteracts with a simulation of the FPL environment, reflecting the real-world constraints facedby players. At each game week, it chooses actions from a defined and limited action space,receiving reward based on realised player performance. To align with the inputs for thepredictive model, both Historical FPL and Understat data were used from seven seasons(2018/19-2024/25), providing a rich and developed dataset and forming the training, validationand testing basis for the RL system. The central research objective is to determine whether anRL agent can learn transferable strategies that out perform heuristic baselines and real-lifeplayers in terms of cumulative season points. The results show that even with substantialhandicaps, the agent effectively learns generalisable patterns and consistently outperformsaverage FPL players. | eng |
| dc.description.abstract | A participação no Fantasy Premier League (FPL) tem crescido ano após ano, atingindo o seupico na temporada de 2024/25, com 11,5 milhõs de jogadores. Em consequência, oecossistema em torno do jogo também se expandiu, dando origem a serviços de apoio àdecisão que, embora não pertençam ao FPL, beneficiam financeiramente da sua popularidade. O objetivo desta tese é desenvolver um agente de aprendizagem por reforço (reinforcementlearning - RL) que possa servir como base para um sistema alternativo, aberto e académico, permitindo transparência e escrutínio sobre os métodos utilizados. Este trabalho formula o problema como um Processo de Decisão de Markov (MDP), no qual um agente interage com uma simulação do ambiente do FPL, respeitando as restrições reais enfrentadas pelos jogadores. Em cada rodada, o agente escolhe ações limitadas e recebe recompensas com base no desempenho real. Para suportar o modelo, utilizam-se dados históricos do FPL e do Understat referentes a sete temporadas (2018/19-2024/25), constituindo a base de treino, validação a teste do sistema. O objetivo central é avaliar se um agente de RL consegue aprender estratégias transferíveis capazes de superar heurísticas simples e o desempenho médio de jogadores reais. Os resultados indicam que, mesmo sob restrições significativas, o agente aprende padrões generalizáveis e obtém resultados superiores aos dos participantes médios do FPL. | por |
| dc.identifier.other | 253355dd-46c0-401b-9e68-eee02c0811a6 | |
| dc.identifier.tid | 204222176 | |
| dc.identifier.uri | http://hdl.handle.net/10400.14/58761 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Reinforcement learning | eng |
| dc.subject | Fantasy football | eng |
| dc.subject | Sports prediction | eng |
| dc.subject | Optimisation algorithm | eng |
| dc.subject | Decision support | eng |
| dc.title | How to win the (fantasy) premier league : a reinforcement learning decision support system for fantasy premier league management and strategy optimization | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Gestão e Administração de Empresas |
Ficheiros
Principais
1 - 1 de 1
Miniatura indisponível
- Nome:
- 204222176.pdf
- Tamanho:
- 1.09 MB
- Formato:
- Adobe Portable Document Format