← Archive
lm-003405 · 2026-09

AI 運動博彩：世界模型、資訊延遲、概率校準與算法莊家

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

AI 運動博彩：世界模型、資訊延遲、概率校準與算法莊家

AI Sports Betting: World Models, Information Latency, Probability Calibration, and Algorithmic Sportsbooks

Series: AI Game Intelligence, Randomness, and Adaptive Markets
Paper 02
Version: v0.1
Date: 2026-09-01 Author: Neo.K with Aletheia（GPT-5.6 Sol）
Institution: EveMissLab／一言諾科技有限公司

摘要

運動博彩與公平彩券、輪盤及合規 RNG 存在根本差異。

在近似 IID 的公平隨機系統中，歷史資料未必包含下一次結果的可利用資訊；但運動賽事是由運動員狀態、戰術、傷病、天候、賽程、旅行、場地、對手互動與其他大量真實世界變數共同生成的事件。

因此一般存在：

I(X;Y)>0,I(X;Y)>0,

其中 XX 為比賽前可觀測資訊， YY 為比賽結果。

人工智慧可以透過更大的資料容量、更好的時序模型、多模態資訊整合、新聞解析與概率校準降低：

H(Y∣X).H(Y\mid X).

然而，「更能預測比賽」並不等於「能從運動博彩獲得超額收益」。

真正的對手不是隨機性，而是市場價格。

若模型估計：

P^AI(Y)\hat P_{\mathrm{AI}}(Y)

而博彩市場隱含概率為：

PM(Y),P_{\mathrm{M}}(Y),

則 AI 所需研究的核心量不是：

P^AI(Y),\hat P_{\mathrm{AI}}(Y),

而是：

ΔP=P^AI(Y)−PM(Y).\boxed{ \Delta P = \hat P_{\mathrm{AI}}(Y) - P_{\mathrm{M}}(Y). }

即使 ΔP>0\Delta P>0，仍需扣除 bookmaker margin、價格變動、執行限制、模型誤差、相關風險與制度成本。

因此更完整的淨優勢為：

Enet=Eforecast+Einformation+Etiming−Cmargin−Cexecution−Cerror−Crisk.\boxed{ \mathcal E_{\mathrm{net}} = \mathcal E_{\mathrm{forecast}} + \mathcal E_{\mathrm{information}} + \mathcal E_{\mathrm{timing}} - C_{\mathrm{margin}} - C_{\mathrm{execution}} - C_{\mathrm{error}} - C_{\mathrm{risk}}. }

本文進一步分析 probability calibration、opening/closing price、資訊延遲、市場效率異質性、favourite–longshot bias、算法莊家、AI 定價與風險管理。

2024 年一項 NBA 機器學習研究發現，以 calibration 而非 accuracy 選擇模型，在其歷史投注實驗中產生顯著不同的結果，顯示對博彩決策而言，知道「模型所說的 60%60\% 是否真的接近 60%60\% 」可能比單純猜對多少場更重要。

2025 年歐洲足球市場研究則顯示，同樣一批比賽的傳統 1X2 市場仍可觀察到 favourite–longshot bias，而 Asian handicap 市場卻能產生接近有效市場的概率預測。這表示市場效率並非單一常數，而是一個依市場結構、玩法與時間改變的局部性質。

因此，本篇提出：

AI Sports Betting≠Sports Prediction.\boxed{ \text{AI Sports Betting} \neq \text{Sports Prediction}. }

更準確地說，它是一個：

World Model+Market Model+Latency Model+Uncertainty Model\boxed{ \text{World Model} + \text{Market Model} + \text{Latency Model} + \text{Uncertainty Model} }

共同構成的適應性市場問題。

1. 從 Paper 01 跨過 Randomness Boundary

Paper 01 建立：

若：

I(X;Y)=0,I(X;Y)=0,

則任何僅由 XX 產生的 representation：

Z=f(X)Z=f(X)

都不能創造：

I(Z;Y)>0.I(Z;Y)>0.

運動賽事則不同。

例如籃球比賽結果可能受到：

X=(Xplayer,Xinjury,Xlineup,Xrest,Xtravel,Xstrategy,Xopponent,Xvenue,Xofficial,…).X= ( X_{\mathrm{player}}, X_{\mathrm{injury}}, X_{\mathrm{lineup}}, X_{\mathrm{rest}}, X_{\mathrm{travel}}, X_{\mathrm{strategy}}, X_{\mathrm{opponent}}, X_{\mathrm{venue}}, X_{\mathrm{official}}, \ldots ).

因此通常：

P(Y∣X)≠P(Y).P(Y\mid X)\neq P(Y).

也就是：

I(X;Y)>0.\boxed{ I(X;Y)>0. }

這代表世界真的存在可以學習的 predictive structure。

2. 運動的不確定性不是純粹隨機

運動結果的不確定性可以粗略拆成：

U=Uepistemic+Ualeatory.U = U_{\mathrm{epistemic}} + U_{\mathrm{aleatory}}.

其中：

UepistemicU_{\mathrm{epistemic}}

是因為我們不知道足夠資訊。

例如：

  • 球員真實健康狀態；
  • 戰術；
  • 首發名單；
  • 疲勞；
  • 心理與準備程度。

而：

UaleatoryU_{\mathrm{aleatory}}

則是即使掌握大量資訊後仍存在的事件分岔。

例如：

  • 一次失誤；
  • 一顆球彈框；
  • 臨場紅牌；
  • 突發機械故障；
  • 意外受傷；
  • 裁判判定；
  • 極端偶發事件。

AI 主要能降低的是：

Uepistemic.U_{\mathrm{epistemic}}.

不能保證：

Ualeatory→0.U_{\mathrm{aleatory}}\rightarrow0.

3. 所以 AI 的目標不是把 70%70\% 變成 100%100\%

假設某球隊真正勝率為：

P(Y=1)=0.70.P(Y=1)=0.70.

即使存在一個完美概率模型：

P^(Y=1)=0.70,\hat P(Y=1)=0.70,

仍然有：

P(Y=0)=0.30.P(Y=0)=0.30.

所以一次輸掉並不能證明模型錯。

反之，一次猜中也不能證明模型好。

因此：

Outcome correctness≠probability correctness.\boxed{ \text{Outcome correctness} \neq \text{probability correctness}. }

4. 運動博彩首先是一個 Probability Estimation Problem

一般分類器可能只輸出：

y^∈{0,1}.\hat y\in\{0,1\}.

但博彩真正需要：

p^=P(Y=1∣X).\hat p=P(Y=1\mid X).

因為市場本身也給出一個概率型價格。

所以運彩 AI 不應只是：

A 隊會贏。

而應該接近：

在目前資訊集合下，模型估計 A 隊勝率為某個概率分布。

因此：

Classification→Probability Estimation.\boxed{ \text{Classification} \rightarrow \text{Probability Estimation}. }

5. Odds 本質上是一種價格

使用 decimal odds：

O.O.

最簡單的 implied probability 是：

q=1O.q=\frac{1}{O}.

例如：

O=2.00O=2.00

對應：

q=0.50.q=0.50.

但博彩公司通常加入 margin，所以同一市場所有結果的：

∑iqi\sum_i q_i

通常大於：

1.1.

6. Overround

考慮二元市場：

OA=1.80,O_A=1.80, OB=2.10.O_B=2.10.

則：

qA=11.80≈0.5556,q_A=\frac{1}{1.80}\approx0.5556, qB=12.10≈0.4762.q_B=\frac{1}{2.10}\approx0.4762.

所以：

qA+qB≈1.0318.q_A+q_B \approx1.0318.

多出的：

0.03180.0318

可以視為簡化意義下的 overround。

因此：

raw implied probability≠fair probability.\boxed{ \text{raw implied probability} \neq \text{fair probability}. }

7. 市場概率需要去除 margin

最簡單的 normalization：

PM(A)=qAqA+qB.P_M(A) = \frac{q_A} {q_A+q_B}.

於是：

PM(A)≈0.55561.0318≈0.5385.P_M(A) \approx \frac{0.5556}{1.0318} \approx0.5385.

這個數字比：

0.55560.5556

更接近市場真正對 A 的相對概率判斷。

實際市場的 margin 結構可能更複雜，並不一定平均分配。

8. AI 真正的 benchmark 是市場

設模型：

PA(Y).P_A(Y).

市場：

PM(Y).P_M(Y).

若：

PA(Y)=PM(Y),P_A(Y)=P_M(Y),

則 AI 即使非常準，也沒有額外資訊。

所以定義：

Δt(Y)=PA(Y∣Xt)−PM(Y∣It).\boxed{ \Delta_t(Y) = P_A(Y\mid X_t) - P_M(Y\mid \mathcal I_t). }

其中：

XtX_t

是 AI 的資訊集合，

It\mathcal I_t

是市場在時間 tt 已經吸收的資訊。

真正研究的是：

Δt.\Delta_t.

9. 這是運彩和一般預測競賽最大的不同

Kaggle 式預測可能只要求：

min⁡L(PA,Y).\min L(P_A,Y).

但博彩市場要求：

min⁡L(PA,Y)\min L(P_A,Y)

同時還必須：

PA≠PMP_A \neq P_M

且差異方向正確。

如果市場本身就是非常強的 forecast ensemble：

PM≈P∗,P_M\approx P^*,

那麼：

PA≈P∗P_A\approx P^*

還是不夠。

必須：

PA 比市場更接近 P∗.\boxed{ P_A\text{ 比市場更接近 }P^*. }

10. 為什麼 Accuracy 很危險

假設模型 A：

Accuracy=70%.Accuracy=70\%.

模型 B：

Accuracy=60%.Accuracy=60\%.

直覺上 A 比 B 強。

但如果 A 的預測全部集中在巨大熱門，而市場早已知道：

PM=0.85,P_M=0.85,

它即使猜對很多，也不一定存在價格優勢。

B 反而可能只在市場錯價時出手。

因此：

max⁡Accuracy≠max⁡EconomicValue.\boxed{ \max Accuracy \neq \max Economic Value. }

11. Calibration

一個 calibrated model 應滿足：

當模型對大量事件輸出：

p^=0.70,\hat p=0.70,

這些事件中約：

70%70\%

真的發生。

理想形式：

P(Y=1∣P^=p)=p.P(Y=1\mid\hat P=p)=p.

這叫：

Probability Calibration.\boxed{ \text{Probability Calibration}. }

12. 為什麼 Calibration 比 Accuracy 更接近博彩問題

因為 expected value 使用的是：

p,p,

不是：

y^.\hat y.

假設：

O=2.00.O=2.00.

如果模型說：

p=0.52,p=0.52,

跟：

p=0.80p=0.80

在分類結果上都只是：

y^=1.\hat y=1.

但兩者的經濟含義完全不同。

因此：

decision quality∝probability quality.\boxed{ \text{decision quality} \propto \text{probability quality}. }

13. 2024 NBA 機器學習研究

2024 年《Machine Learning with Applications》一篇研究直接比較：

accuracy-based model selection\text{accuracy-based model selection}

與：

calibration-based model selection.\text{calibration-based model selection}.

研究使用數季 NBA 資料訓練模型，並在單獨賽季進行歷史投注實驗。

作者報告，以 calibration 選擇模型在其設定下平均 ROI 約為：

+34.69%,+34.69\%,

而 accuracy-based selection 約為：

−35.17%.-35.17\%.

這些數字是特定歷史實驗結果，不能直接外推成現實中穩定可複製收益，但它非常清楚地證明：

模型選擇標準本身會改變投注決策品質。\boxed{ \text{模型選擇標準本身會改變投注決策品質。} }

14. Calibration 也不能只測一次

假設模型在：

2018−20242018-2024

整體 calibrated。

但：

20252025

聯盟規則、打法、球員輪替或資料來源改變。

此時：

Pt(Y∣X)P_t(Y\mid X)

可能漂移。

所以應研究：

Calibration(t).Calibration(t).

而不是：

Calibration=constant.Calibration=\text{constant}.

15. Brier Score

概率模型可以使用：

BS=1N∑i=1N(p^i−yi)2.BS = \frac{1}{N} \sum_{i=1}^{N} (\hat p_i-y_i)^2.

若預測越接近真實結果：

BS↓.BS\downarrow.

這比單純 accuracy 保留更多概率資訊。

16. Log Loss

另一個常用方法：

LL=−1N∑i[yilog⁡p^i+(1−yi)log⁡(1−p^i)].LL = -\frac1N \sum_i \left[ y_i\log\hat p_i + (1-y_i)\log(1-\hat p_i) \right].

錯誤但極度自信的預測會被強烈懲罰。

這對博彩研究很重要，因為：

overconfidence\boxed{ \text{overconfidence} }

可能比普通 prediction error 更危險。

17. AI 的第一個真正優勢：資料規模

人類分析師只能同時追蹤有限資訊。

AI 可以整合：

10310^3

甚至更多 variables：

  • 球員資料；
  • play-by-play；
  • tracking；
  • 傷病；
  • 賽程；
  • travel；
  • opponent；
  • formation；
  • referee；
  • weather；
  • social/news；
  • betting market。

因此：

XAI⊃XhumanX_{\mathrm{AI}} \supset X_{\mathrm{human}}

在某些工作流中可以成立。

18. 但 More Data 不一定等於 More Signal

Paper 01 的原則仍然成立：

I(Xj;Y)≈0I(X_j;Y)\approx0

的 feature 即使增加一百萬個：

I(X1,…,Xm;Y)I(X_1,\ldots,X_m;Y)

不一定因此實質增加。

而高維度反而增加：

overfitting.\text{overfitting}.

因此：

data volume≠information value.\boxed{ \text{data volume} \neq \text{information value}. }

19. AI 的第二個優勢：資訊整合

真正重要的往往不是單一資料。

例如：

player injury\text{player injury}

本身可能不夠。

但加上：

replacement quality+opponent matchup+pace+rest\text{replacement quality} + \text{opponent matchup} + \text{pace} + \text{rest}

才形成：

P(Y∣X).P(Y\mid X).

因此 AI 的價值之一是：

relational integration.\boxed{ \text{relational integration}. }

20. AI 的第三個優勢：非結構化資訊

傳統 quantitative model 很擅長：

CSV.CSV.

但現代 LLM／多模態 AI 可以處理：

  • 記者文字；
  • 教練訪談；
  • 傷病報告；
  • 新聞；
  • 社群；
  • 球員訪談；
  • 圖像；
  • 場地資訊。

因此：

Xtext→ZsemanticX_{\mathrm{text}} \rightarrow Z_{\mathrm{semantic}}

可以被轉換成模型可利用狀態。

21. 但 LLM 不應該直接取代概率模型

LLM 很容易產生：

我認為 A 隊有 68% 勝率。

但如果沒有 calibration：

68%68\%

可能只是語言生成。

所以比較穩健的架構是：

LLM→information extraction\text{LLM} \rightarrow \text{information extraction} ↓\downarrow structured state\text{structured state} ↓\downarrow probabilistic model.\text{probabilistic model}.

而不是：

prompt→magic probability.\text{prompt} \rightarrow \text{magic probability}.

22. AI 的第四個優勢：速度

假設新資訊在：

t0t_0

出現。

玩家／AI 解析完成時間：

tA=t0+ΔtA.t_A=t_0+\Delta t_A.

市場完全吸收時間：

tM=t0+ΔtM.t_M=t_0+\Delta t_M.

若：

ΔtA<ΔtM,\Delta t_A<\Delta t_M,

則窗口：

W=ΔtM−ΔtA>0.W= \Delta t_M-\Delta t_A>0.

這是：

Information Latency Window.\boxed{ \text{Information Latency Window}. }

23. Edge 因此是時間函數

不能只寫：

Δ=PA−PM.\Delta=P_A-P_M.

更合理：

Δ(t)=PA(t)−PM(t).\Delta(t) = P_A(t)-P_M(t).

資訊剛出現：

Δ(t0)>0.\Delta(t_0)>0.

市場吸收後：

Δ(t)→0.\Delta(t)\rightarrow0.

因此：

E=E(t).\boxed{ \mathcal E=\mathcal E(t). }

24. 市場自己就是一個學習系統

市場中的：

  • 專業玩家；
  • 博彩公司；
  • data provider；
  • trading desk；
  • public bettors；
  • syndicates；

都會更新自己的：

Pi(Y).P_i(Y).

下注、報價與賠率調整共同形成：

PM(Y).P_M(Y).

所以市場可以被視為：

Distributed Ensemble Forecaster.\boxed{ \text{Distributed Ensemble Forecaster}. }

25. Opening Line 與 Closing Line

設：

POP_O

為 opening price 隱含概率，

PCP_C

為 closing price 隱含概率。

在公開資訊逐步進入市場時，通常可以把：

PCP_C

理解為吸收更多賽前資訊後的價格。

但：

PC≠Ptrue\boxed{ P_C \neq P_{\mathrm{true}} }

必須一直保留。

Closing line 只是很強的 benchmark，不是真理。

26. Closing Line Value 的研究意義

假設模型在較早時間預測：

PA.P_A.

之後 closing line 移動到更接近：

PA.P_A.

即：

∣PA−PC∣<∣PA−PO∣,|P_A-P_C| < |P_A-P_O|,

這表示模型可能比 opening market 更早包含後來被市場吸收的資訊。

因此即使短期實際比賽結果 variance 很大，

price movement\text{price movement}

仍可以作為額外研究訊號。

27. 但不能把 Closing Line 當神

如果市場存在：

  • crowd bias；
  • liquidity problem；
  • segmentation；
  • regulatory constraint；
  • bookmaker strategic pricing；

則：

PCP_C

仍然可能偏離：

P∗.P^*.

所以研究應同時測：

Calibration(PC)Calibration(P_C)

和：

Calibration(PA).Calibration(P_A).

28. 2024 MLB 即時賠率研究

2024 年《Management Science》研究分析四家 sportsbook、3,681 場 MLB 比賽從 opening 到 closing 的賠率變化。

研究發現市場 forecast 大致可靠，但仍存在部分簡單歷史策略可在其樣本中產生顯著獲利。

這說明：

mostly efficient≠perfectly efficient.\boxed{ \text{mostly efficient} \neq \text{perfectly efficient}. }

29. 市場效率是一個局部概念

最危險的說法之一：

運彩市場是有效的。

應該問：

Which market?\text{Which market?} Which sport?\text{Which sport?} Which bet type?\text{Which bet type?} Which time?\text{Which time?} Which liquidity regime?\text{Which liquidity regime?}

30. 2025 歐洲足球研究給了一個漂亮例子

Hegarty 與 Whelan 比較同一批歐洲足球賽事的：

1X21X2

市場和：

Asian Handicap.Asian\ Handicap.

他們在傳統 1X2 市場仍觀察到明顯 favourite–longshot bias。

但 Asian handicap 市場的賠率可以形成高度有效的賽果 forecast。

因此：

Efficiency(g,m,t)\boxed{ Efficiency(g,m,t) }

比：

Efficiency=True/FalseEfficiency=\text{True/False}

更合理。

31. Favourite–Longshot Bias

一般定義可以理解成：

longshot 的價格相對過高，

也就是其實際報酬比市場表面概率暗示得更差。

反之 favourite 相對沒有那麼被高估。

簡化而言：

Pmarket(longshot)>Ptrue(longshot)P_{\mathrm{market}}(\text{longshot}) > P_{\mathrm{true}}(\text{longshot})

可能成立。

這種偏差在不同市場存在程度不同。

32. 為什麼市場會產生這種偏差？

可能原因包括：

  • 玩家偏好高賠率；
  • lottery-like utility；
  • 娛樂效用；
  • 需求彈性；
  • 市場競爭程度；
  • bookmaker pricing strategy。

2026 年刊於《Oxford Economic Papers》的研究從市場結構角度指出，競爭程度與 bookmaker 行為可能影響 favourite–longshot bias 是否出現；研究同樣發現 Asian handicap 與傳統賽果市場具有不同表現。

因此：

odds\boxed{ \text{odds} }

不只是純粹的概率報告。

它也是：

market price.\boxed{ \text{market price}. }

33. 博彩公司也不是純 Prediction Machine

博彩公司的目標一般不是單純：

min⁡∣P^−P∗∣.\min |\hat P-P^*|.

還包括：

max⁡Profit,\max Profit,

並管理：

Risk,Risk, Liability,Liability, Liquidity,Liquidity, Customer Behavior.Customer\ Behavior.

因此 sportsbook price 可以抽象為：

Ot=F(Pt,Lt,Dt,Rt,Ct),O_t = F( P_t, L_t, D_t, R_t, C_t ),

其中：

Pt=estimated event probability,P_t=\text{estimated event probability}, Lt=liability,L_t=\text{liability}, Dt=demand,D_t=\text{demand}, Rt=risk,R_t=\text{risk}, Ct=competition.C_t=\text{competition}.

34. 這就是算法莊家的起點

傳統印象：

human oddsmaker→odds.\text{human oddsmaker} \rightarrow \text{odds}.

現代 sportsbook 越來越接近：

data+models+trading systems+risk engines→odds.\text{data} + \text{models} + \text{trading systems} + \text{risk engines} \rightarrow \text{odds}.

所以：

AI bettor\boxed{ \text{AI bettor} }

面對的常常不是：

human bookmaker.\text{human bookmaker}.

35. Sportradar Alpha Odds

Sportradar 公開描述 Alpha Odds 為 AI-driven pricing platform。

系統會納入：

  • real-time liabilities；
  • predicted changes；
  • customer behaviour；
  • live market data；

進行快速賠率調整。

因此 bookmaker AI 問的是：

What price should be quoted now?\boxed{ \text{What price should be quoted now?} }

而不只是：

Who will win?\boxed{ \text{Who will win?} }

36. 所以雙方其實解不同最佳化問題

玩家 AI：

max⁡Eplayer.\max \mathcal E_{\mathrm{player}}.

莊家 AI：

max⁡[Profit−λRisk+ηCompetitiveness].\max \left[ Profit - \lambda Risk + \eta Competitiveness \right].

因此兩者的 loss function 不同。

37. AI Bettor vs Algorithmic Sportsbook

現代結構可以表示：

WorldWorld↓↓PA(Y)↔PB(Y)↓Ot\begin{array}{ccc} \text{World} && \text{World} \\ \downarrow && \downarrow \\ P_A(Y) & \leftrightarrow & P_B(Y) \\ && \downarrow \\ && O_t \end{array}

玩家觀察：

OtO_t

並比較：

PA.P_A.

莊家則觀察：

world+market+player flow.\text{world} + \text{market} + \text{player flow}.

因此這是一個雙向 adaptive system。

38. 台灣是一個很好的 2026 案例

Sportradar 於 2023 年宣布成為第三屆台灣運動彩券的官方技術與服務供應商。

2024–2033 年的新系統包含：

ORAKO Sportsbook+Player Management+Managed Trading Services+Pre-match Odds+Live Odds.\text{ORAKO Sportsbook} + \text{Player Management} + \text{Managed Trading Services} + \text{Pre-match Odds} + \text{Live Odds}.

Sportradar 也在台北建立本地團隊支援台灣運彩。

39. 這表示台灣不是「AI 玩家對人工莊家」

Sportradar 後續 case study 將台灣運彩描述為 fixed-odds sportsbook，並說明 ORAKO 系統目前支撐 2,622 個零售據點與線上渠道，搭配 trading 與 risk management 服務。

因此更合理的抽象是：

AI-assisted bettor↔algorithmic trading infrastructure.\boxed{ \text{AI-assisted bettor} \leftrightarrow \text{algorithmic trading infrastructure}. }

40. 台灣的 Fixed Odds 特性

台灣運彩官方規範明確定義：

投注被彩券電腦系統接受當下的賠率即為固定賠率，後續賠率調整不影響已成立投注。

因此如果成交時：

O(t0)=O0,O(t_0)=O_0,

即使：

O(t1)≠O0,O(t_1)\neq O_0,

已成立票券仍使用：

O0.O_0.

41. 這使資訊時間具有經濟意義

假設：

PA(t0)P_A(t_0)

已經因新資訊更新，

但：

O(t0)O(t_0)

仍代表舊價格。

則理論上存在：

Δ(t0).\Delta(t_0).

等到：

O(t1)O(t_1)

重新定價後：

Δ(t1)→0.\Delta(t_1)\rightarrow0.

這正是：

information latency\boxed{ \text{information latency} }

的重要性。

42. 但「看到價格」不等於一定可以成交

台灣運彩官方會員手冊明確提醒：

賠率會隨時變動。\boxed{ \text{賠率會隨時變動。} }

而下注完成當下的賠率可能和下注者在賽事表看到的價格不同。

使用者甚至可以設定：

  • 不接受任何賠率變化；
  • 接受任何賠率變化；
  • 只接受較高賠率變化。

如果選擇不接受，而提交期間價格改變，投注可能無法完成。

這表示：

observed edge≠executed edge.\boxed{ \text{observed edge} \neq \text{executed edge}. }

43. Execution Risk

定義：

OseenO_{\mathrm{seen}}

為觀察時價格，

OexecO_{\mathrm{exec}}

為真正成交價格。

若：

Oexec<Oseen,O_{\mathrm{exec}}<O_{\mathrm{seen}},

則：

Eexec<Eobserved.\mathcal E_{\mathrm{exec}} < \mathcal E_{\mathrm{observed}}.

因此任何嚴格研究都必須保存：

execution-time price.\boxed{ \text{execution-time price}. }

而不是只用網頁截圖價格。

44. 平台還具有 Risk Limits

台灣運彩現行會員條款允許營運方因節制投注或營運風險設定每日、每組合的投注量、最高投注額或最高派彩金額；超過限制時系統會自動拒絕投注。

所以：

model edge\boxed{ \text{model edge} }

和：

scalable edge\boxed{ \text{scalable edge} }

不是同一回事。

45. Scale Problem

假設存在：

EV>0.EV>0.

但只能作用於非常小的：

Q.Q.

則：

Profit=Q×EV.Profit=Q\times EV.

若：

Q→0,Q\rightarrow0,

即使：

EVEV

很漂亮，經濟意義仍有限。

所以必須區分：

Edge Magnitude\boxed{ \text{Edge Magnitude} }

與：

Edge Capacity.\boxed{ \text{Edge Capacity}. }

46. 市場會觀察資金流

如果大量 sophisticated players 同時判斷：

PA>PM,P_A>P_M,

投注集中到同一方向。

系統不必知道：

這些人是不是使用 AI。

只需要知道：

DA↑.D_A\uparrow.

於是可能：

OA↓.O_A\downarrow.

因此：

smart money becomes information.\boxed{ \text{smart money becomes information}. }

47. AI 自己會消滅 AI Edge

假設某方法：

MM

有效。

初始：

A=0.01A=0.01

只有 1%1\% 市場參與者使用。

後來：

A=0.50.A=0.50.

大量玩家產生相似 probability estimate。

則：

PM→PM′P_M\rightarrow P_M'

更快速吸收該方法。

所以：

∂Eprivate∂A<0\boxed{ \frac{\partial\mathcal E_{\mathrm{private}}}{\partial A}<0 }

再次出現。

48. 這是 Paper 00 的 Edge Decay 在運彩中的具體形式

可寫成：

dΔdt=−λAΔ+ηNt,\frac{d\Delta}{dt} = -\lambda A\Delta + \eta N_t,

其中：

AA

為 AI adoption，

NtN_t

為新的私人資訊流。

如果沒有新資訊：

Nt=0,N_t=0,

則：

Δ(t)=Δ0e−λAt.\Delta(t) = \Delta_0e^{-\lambda At}.

這只是一個概念模型，但它清楚表示：

更高 adoption→更快 edge decay.\boxed{ \text{更高 adoption} \rightarrow \text{更快 edge decay}. }

49. 但新的資訊會不斷重新創造 Edge

運動世界本身持續產生：

Nt>0.N_t>0.

例如：

  • 新傷病；
  • 戰術改變；
  • 天候；
  • 臨場名單；
  • 教練決策；
  • 球員狀態。

因此 edge 不一定永遠消失。

它可能是：

appear→decay→appear→decay.\text{appear} \rightarrow \text{decay} \rightarrow \text{appear} \rightarrow \text{decay}.

所以：

E(t)\boxed{ \mathcal E(t) }

是一個 stochastic process。

50. 運動 AI 的真正難題是 Regime Shift

設某球員歷史：

P(Y∣X,θ0).P(Y\mid X,\theta_0).

更換教練後：

θ0→θ1.\theta_0\rightarrow\theta_1.

此時舊資料仍然存在，但 mapping 改變：

Pθ0(Y∣X)≠Pθ1(Y∣X).P_{\theta_0}(Y\mid X) \neq P_{\theta_1}(Y\mid X).

所以：

more historical data\boxed{ \text{more historical data} }

甚至可能降低模型品質。

51. Concept Drift

AI 必須區分：

Pt(X)P_t(X)

改變，

與：

Pt(Y∣X)P_t(Y\mid X)

改變。

前者是：

covariate shift,\text{covariate shift},

後者更接近：

concept drift.\text{concept drift}.

例如三分球革命可以改變整個 NBA 的 scoring environment。

舊時代資料不一定能直接等權重使用。

52. 所以不能只做 Random Train/Test Split

運動資料也是時間序列。

應更接近：

Train:t0,…,tkTrain: t_0,\ldots,t_k Validate:tk+1,…,tmValidate: t_{k+1},\ldots,t_m Test:tm+1,…,tn.Test: t_{m+1},\ldots,t_n.

並且進行：

walk-forward evaluation.\boxed{ \text{walk-forward evaluation}. }

這與 Paper 01 的原則相同。

53. 賠率也必須是當時真的存在的價格

最嚴重的 backtest 錯誤之一：

使用：

closing odds\text{closing odds}

來模擬：

morning decision.\text{morning decision}.

但 closing odds 包含：

tmorningt_{\mathrm{morning}}

之後才出現的資訊。

這是：

price leakage.\boxed{ \text{price leakage}. }

54. 新聞資料更加危險

例如文章顯示：

球星因傷缺陣。

研究者必須知道：

tpublish.t_{\mathrm{publish}}.

不能只知道：

date.date.

如果市場 14:03 得知，

模型假裝 09:00 已知：

X09:00=X14:03,X_{09:00}=X_{14:03},

就形成：

temporal information leakage.\boxed{ \text{temporal information leakage}. }

55. LLM Search Agent 特別容易發生這個問題

因為今天搜尋到的網頁通常包含：

  • 更新後版本；
  • 最終名單；
  • 比賽後分析；
  • 修訂內容。

如果 AI 用今天的 web reconstruction 回測昨天：

future knowledge contamination\boxed{ \text{future knowledge contamination} }

極其容易出現。

因此嚴格運彩 AI 需要：

point-in-time data.\boxed{ \text{point-in-time data}. }

56. World Model 與 Market Model 必須分離

本文提出兩個主要模型。

第一：

MW:Xt→PW(Y).M_W: X_t\rightarrow P_W(Y).

這是：

World Model.\boxed{ \text{World Model}. }

第二：

MM:Zt→PM(Y,t+Δt).M_M: Z_t\rightarrow P_M(Y,t+\Delta t).

這是：

Market Model.\boxed{ \text{Market Model}. }

57. 為什麼還要預測市場？

假設現在：

PW(A)=0.60.P_W(A)=0.60.

當前市場：

PM(A)=0.52.P_M(A)=0.52.

看似：

Δ=0.08.\Delta=0.08.

但是另一個模型預測：

PM(A,t+10min)=0.60.P_M(A,t+10min)=0.60.

代表市場正在快速修正。

所以：

event forecast\boxed{ \text{event forecast} }

與：

price forecast\boxed{ \text{price forecast} }

是兩個問題。

58. 更完整的是三模型結構

M1=World Model,M_1=\text{World Model}, M2=Market Model,M_2=\text{Market Model}, M3=Uncertainty Model.M_3=\text{Uncertainty Model}.

第三個模型估：

UA=P(∣PA−P∗∣>ϵ).U_A= P( |P_A-P^*|>\epsilon ).

也就是：

AI 對自己的 probability estimate 有多不確定？

59. Meta-Uncertainty

假設：

P^A=0.60.\hat P_A=0.60.

不能只輸出：

0.60.0.60.

更理想：

PA∼D(μ=0.60,σ).P_A \sim \mathcal D(\mu=0.60,\sigma).

例如：

σ=0.02\sigma=0.02

跟：

σ=0.15\sigma=0.15

完全不同。

即：

Probability estimate+uncertainty of probability estimate.\boxed{ \text{Probability estimate} + \text{uncertainty of probability estimate}. }

60. 小 Edge 最容易被模型誤差吃掉

如果：

PA=0.53,P_A=0.53, PM=0.52,P_M=0.52,

則：

Δ=0.01.\Delta=0.01.

但若模型 uncertainty：

σ=0.05,\sigma=0.05,

那：

Δ\Delta

幾乎沒有可靠意義。

因此更合理的判斷不是：

Δ>0,\Delta>0,

而是：

P(Δ>0∣D)\boxed{ P(\Delta>0\mid D) }

足夠高。

61. AI 不應把 Point Estimate 當真理

運動 AI 很容易產生：

P=63.7481%.P=63.7481\%.

看起來非常精確。

但真實資料可能只支持：

P∈[0.54,0.69].P\in[0.54,0.69].

所以：

decimal precision≠epistemic precision.\boxed{ \text{decimal precision} \neq \text{epistemic precision}. }

這與生成式 AI 的 false certainty 問題直接相關。

62. Correlated Risk

運動市場中的多個預測不一定獨立。

例如：

  • 同一球隊；
  • 同一天候；
  • 同一傷病資訊；
  • 同一聯盟 regime；
  • 同一模型 feature。

因此：

Cov(Ri,Rj)≠0.Cov(R_i,R_j)\neq0.

所以不能把：

NN

個正期望事件簡單視為：

NN

個獨立機會。

63. Portfolio View

設報酬向量：

R.\mathbf R.

期望：

μ=E[R].\boldsymbol\mu=E[\mathbf R].

協方差：

Σ=Cov(R).\Sigma=Cov(\mathbf R).

那麼整體研究對象已開始接近：

portfolio decision under uncertainty.\boxed{ \text{portfolio decision under uncertainty}. }

這就是為什麼運彩研究與 quantitative finance 會逐漸靠近。

64. 但 Sports Event 不等於 Financial Asset

差異仍然存在。

比賽一旦結束：

YY

就確定。

博彩票券具有：

finite expiry.\text{finite expiry}.

而股票價格則持續演化。

因此運動博彩提供了一個很乾淨的研究環境：

forecast→market price→final truth.\text{forecast} \rightarrow \text{market price} \rightarrow \text{final truth}.

65. 這也是為什麼博彩市場常被拿來研究 Market Efficiency

最終事件：

YY

是可以觀察的。

因此可以測：

PMP_M

到底 calibrated 不 calibrated。

金融中的：

true intrinsic value\text{true intrinsic value}

通常沒有這麼清楚。

66. AI 與市場的資訊角色可以互換

一開始：

AIAI

使用市場：

PMP_M

當 feature。

之後 AI 大量普及：

PMP_M

本身越來越受到 AI 影響。

所以：

AI→Market→AI.\boxed{ AI\rightarrow Market\rightarrow AI. }

形成 feedback loop。

67. Reflexive AI Market

設：

PM(t)=F(PH(t),PAI(t),Q(t)),P_M(t) = F( P_{H}(t), P_{AI}(t), Q(t) ),

其中：

PHP_H

是人類資金判斷，

PAIP_{AI}

是算法／AI 判斷，

QQ

是資金分布。

當：

AI share↑,AI\ share\uparrow,

市場逐漸：

AI endogenous.\boxed{ \text{AI endogenous}. }

68. 所以未來 AI 不是「打敗人類市場」

可能變成：

AIA+HumanAvsAIB+HumanB.\boxed{ AI_A + Human_A \quad vs \quad AI_B + Human_B. }

甚至：

Model ecology.\boxed{ \text{Model ecology}. }

不同模型：

  • 對不同運動強；
  • 對不同時間強；
  • 對不同市場強；
  • 對不同 regime 強。

69. 市場效率會因 AI 變得更局部、更快

以前某錯價可能存在：

6 hours.6\ hours.

未來可能：

20 minutes.20\ minutes.

再往後：

30 seconds.30\ seconds.

因此：

Edge Half-Life\boxed{ \text{Edge Half-Life} }

成為重要概念。

定義：

τ1/2\tau_{1/2}

使：

Δ(t+τ1/2)=12Δ(t).\Delta(t+\tau_{1/2}) = \frac12\Delta(t).

AI adoption 越高：

τ1/2↓.\tau_{1/2}\downarrow.

70. 本文提出 Information Edge Half-Life Hypothesis

對公開、機器可讀、容易解釋的資訊：

τ1/2machine−readable\tau_{1/2}^{\mathrm{machine-readable}}

應隨 AI adoption 上升快速下降。

但對：

  • 模糊資訊；
  • 私人資訊；
  • 因果高度複雜資訊；
  • 難以量化的人類觀察；

可能：

τ1/2\tau_{1/2}

較長。

因此未來最大的 edge 可能從：

processing advantage\text{processing advantage}

轉移成：

observation advantage.\boxed{ \text{observation advantage}. }

71. 當人人都有同一個 LLM，LLM 本身就不再是 Edge

如果：

ModelA=ModelB,Model_A=Model_B, DataA=DataB,Data_A=Data_B, PromptA≈PromptB,Prompt_A\approx Prompt_B,

則：

PA≈PB.P_A\approx P_B.

於是：

Δ→0.\Delta\rightarrow0.

所以：

access to AI≠AI advantage.\boxed{ \text{access to AI} \neq \text{AI advantage}. }

真正優勢來自：

unique data+better validation+better model+better timing+better uncertainty control.\text{unique data} + \text{better validation} + \text{better model} + \text{better timing} + \text{better uncertainty control}.

72. AI 甚至可能讓普通玩家變得過度自信

生成式 AI 可以產生非常完整的理由：

A 隊近十場攻守效率、主場、傷兵、對位都佔優。

但：

good explanation\text{good explanation}

不等於：

calibrated probability.\text{calibrated probability}.

因此 Paper 01 的：

Narrative Overfitting\boxed{ \text{Narrative Overfitting} }

在運彩仍然成立。

73. Sports Narrative Overfitting

例如模型看到：

1010

項支持 A 隊的理由。

人會以為：

P(A)↑↑.P(A)\uparrow\uparrow.

但這十項可能高度相關：

X1≈X2≈⋯≈X10.X_1\approx X_2\approx\cdots\approx X_{10}.

其實都在描述同一個 underlying factor。

所以：

10 reasons≠10 independent evidence.10\ reasons \neq 10\ independent\ evidence.

74. 因果性問題

例如：

team has won 8 straight\text{team has won 8 straight}

跟：

P(next win)P(\text{next win})

相關。

但真正原因可能是：

opponent strength,\text{opponent strength}, injury recovery,\text{injury recovery}, schedule.\text{schedule}.

如果模型只學：

winning streak→win,winning\ streak\rightarrow win,

regime 改變後可能失效。

所以：

correlation feature≠stable causal feature.\boxed{ \text{correlation feature} \neq \text{stable causal feature}. }

75. Market Feature 也可能造成 Circularity

假設 AI 使用：

OtO_t

作為重要 feature。

模型表現很好。

但這可能只是：

AI≈Market.AI \approx Market.

而不是：

AI>Market.AI>Market.

所以必須分別測：

L(PA,Y)L(P_A,Y)

與：

L(PM,Y).L(P_M,Y).

以及：

L(PA,Y)−L(PM,Y).L(P_A,Y)-L(P_M,Y).

76. 市場是非常強的 Baseline

因此運彩 AI 研究不應只跟：

randomrandom

比較。

最低 baseline 應包括：

market-implied probability.\boxed{ \text{market-implied probability}. }

如果連市場都沒有 beat：

LA≥LM,L_A\geq L_M,

則：

沒有證據顯示模型提供額外概率資訊。\boxed{ \text{沒有證據顯示模型提供額外概率資訊。} }

77. 甚至「Beat Market」也必須 Prospective

歷史中反覆：

  • 挑 feature；
  • 改模型；
  • 換聯盟；
  • 換季；
  • 換市場；

直到找到：

ROI>0ROI>0

仍然可能是：

researcher overfitting.\boxed{ \text{researcher overfitting}. }

所以最終仍應：

Freeze→ForwardTest.Freeze \rightarrow Forward Test.

78. 運彩研究的四個驗證層級

本文提出：

Level 1 — Outcome Prediction

LA<Lnaive.L_A<L_{\mathrm{naive}}.

只證明模型比 naive 好。

Level 2 — Market Prediction

LA<LM.L_A<L_M.

證明模型概率優於市場 benchmark。

Level 3 — Price-Timed Prediction

模型在當時可取得的價格與資訊下仍有：

Δ>0.\Delta>0.

Level 4 — Net Economic Evidence

扣除：

CC

後仍：

EVnet>0EV_{\mathrm{net}}>0

且能 out-of-sample 重複。

四層不能跳級。

79. 這解釋很多「AI 運彩 70% 勝率」宣傳為什麼沒有意義

因為沒有告訴：

Oi,O_i,

不知道：

PM,P_M,

不知道：

margin,margin,

不知道：

sampleselection,sample selection,

不知道：

timing.timing.

所以：

Accuracy=70%\boxed{ Accuracy=70\% }

本身幾乎不能回答：

EV>0?\boxed{ EV>0? }

80. 運動中的運氣沒有被 AI 消滅

即使一個模型：

PAP_A

完全正確，

短期仍可能：

R<0.R<0.

這是：

variance.\boxed{ \text{variance}. }

因此：

short-term loss⇏bad model.\text{short-term loss} \not\Rightarrow \text{bad model}.

反過來：

short-term profit⇏good model.\text{short-term profit} \not\Rightarrow \text{good model}.

81. 真正要看的是 Long-Run Calibration 與 Expected Return

如果：

N→∞,N\rightarrow\infty,

且模型穩定，

才能逐步判斷：

P^→P.\hat P\rightarrow P.

但是運動世界又會 drift。

因此實際問題永遠介於：

need more samples\text{need more samples}

與：

old samples become stale.\text{old samples become stale}.

這是運動 AI 的核心統計困境之一。

82. Sample Efficiency–Drift Tradeoff

資料窗口太短：

Variance↑.Variance\uparrow.

太長：

Biasstale↑.Bias_{\mathrm{stale}}\uparrow.

所以存在：

W∗=arg⁡min⁡W[Variance(W)+StalenessBias(W)].W^* = \arg\min_W \left[ Variance(W) + StalenessBias(W) \right].

這個最佳窗口會隨運動與 regime 不同。

83. 這也是 AI 可能真正超過傳統模型的地方

AI 可以學：

W=W(X,t)W=W(X,t)

而不是固定：

W=3 years.W=3\ years.

例如：

某些球員資訊使用：

30 days.30\ days.

某些教練特性使用：

5 years.5\ years.

某些主場效應使用：

10 years.10\ years.

形成：

multi-timescale world model.\boxed{ \text{multi-timescale world model}. }

84. 但模型越複雜，Falsification 越重要

如果模型可以自動：

  • 選 window；
  • 選 feature；
  • 選 sport；
  • 選 market；
  • 選 threshold；

hypothesis space：

∣H∣↑.|\mathcal H|\uparrow.

Paper 01 的 multiple-testing 問題再次回來。

所以：

better AutoML⇒need stronger epistemic control.\boxed{ \text{better AutoML} \Rightarrow \text{need stronger epistemic control}. }

85. AI Sports Betting 的真正研究架構

本文提出：

S=(W,M,L,U,V)\boxed{ \mathcal S= ( W, M, L, U, V ) }

其中：

W=World Model,W=\text{World Model}, M=Market Model,M=\text{Market Model}, L=Latency Model,L=\text{Latency Model}, U=Uncertainty Model,U=\text{Uncertainty Model}, V=Validation Layer.V=\text{Validation Layer}.

缺任何一層都容易把 prediction 誤認成 edge。

86. World Model

MW:Xt→PW(Y).M_W: X_t\rightarrow P_W(Y).

問題：

世界現在發生什麼？

87. Market Model

MM:Ot,Qt,Zt→PM(t+Δt).M_M: O_t,Q_t,Z_t \rightarrow P_M(t+\Delta t).

問題：

市場目前怎麼理解世界，而且接下來會怎麼重新定價？

88. Latency Model

ML:It→τabsorb.M_L: I_t \rightarrow \tau_{\mathrm{absorb}}.

問題：

這項資訊多久會被市場吸收？

89. Uncertainty Model

MU:Dt→U(PW).M_U: D_t \rightarrow U(P_W).

問題：

我們有多不確定自己的 probability estimate？

90. Validation Layer

MVM_V

不負責預測。

它負責問：

這個 edge 到底是真的，還是我們自己回測出來的？\boxed{ \text{這個 edge 到底是真的，還是我們自己回測出來的？} }

因此：

VV

可能是整個系統最重要的一層。

91. 第一核心命題：World–Market Gap

定義：

GWM=PW(Y)−PM(Y).G_{WM} = P_W(Y)-P_M(Y).

只有：

GWM≠0G_{WM}\neq0

才存在值得進一步研究的 market disagreement。

因此：

Sports prediction value∝correct disagreement with market.\boxed{ \text{Sports prediction value} \propto \text{correct disagreement with market}. }

不是：

prediction accuracy alone.\text{prediction accuracy alone}.

92. 第二核心命題：Calibration Dominance

若兩個模型 accuracy 相近，但：

Cal(MA)<Cal(MB),Cal(M_A)<Cal(M_B),

其中較小代表較佳 calibration error，

則在依賴 probability magnitude 的決策中：

MAM_A

可能比：

MBM_B

具有更高實用價值。

因此：

Calibration is a first-class variable.\boxed{ \text{Calibration is a first-class variable}. }

2024 NBA 研究提供了支持這一方向的具體實驗案例。

93. 第三核心命題：Efficiency Heterogeneity

不存在單一：

Emarket.E_{\mathrm{market}}.

更合理：

E=E(sport,league,market,time,liquidity,information).\boxed{ E = E( sport, league, market, time, liquidity, information ). }

2025 足球研究中 1X2 與 Asian handicap 的差異正是此命題的一個實證例子。

94. 第四核心命題：Information Half-Life

任何公開資訊 II 存在：

τI.\tau_I.

使其私人可利用價值逐漸下降。

AI adoption：

A↑A\uparrow

通常導致：

τI↓.\tau_I\downarrow.

因此：

AI competition compresses informational time.\boxed{ \text{AI competition compresses informational time}. }

95. 第五核心命題：Adaptive Bookmaker Response

博彩公司並非固定函數：

O=f(P).O=f(P).

而是：

Ot=f(Pt,Qt,Lt,Rt,Ct).\boxed{ O_t = f( P_t, Q_t, L_t, R_t, C_t ). }

因此玩家 edge 改變：

QtQ_t

後，

又會反過來改變：

Ot.O_t.

這形成：

endogenous counter-response.\boxed{ \text{endogenous counter-response}. }

96. 第六核心命題：AI Edge Self-Consumption

若一個方法：

MM

被足夠大量資金採用：

AM↑,A_M\uparrow,

則由該方法產生的市場價格修正會使：

EM↓.\mathcal E_M\downarrow.

即：

successful public strategy tends to consume its own edge.\boxed{ \text{successful public strategy tends to consume its own edge}. }

97. 第七核心命題：Prediction–Execution Separation

即使：

PW>PM,P_W>P_M,

也只有在：

OexecO_{\mathrm{exec}}

仍保留足夠價格時才可能實現。

因此：

Detected Edge≠Executable Edge.\boxed{ \text{Detected Edge} \neq \text{Executable Edge}. }

台灣運彩官方「賠率可於投注提交期間變動」的機制就是清楚案例。

98. 第八核心命題：AI vs AI Equilibrium

當：

Aplayer↑A_{\mathrm{player}}\uparrow

且：

Abookmaker↑,A_{\mathrm{bookmaker}}\uparrow,

長期均衡不一定是：

players win.\text{players win}.

更可能是：

market efficiency↑.\boxed{ \text{market efficiency}\uparrow. }

也就是：

obvious mispricing↓,\text{obvious mispricing}\downarrow, information absorption speed↑.\text{information absorption speed}\uparrow.

99. 因此 AI 的社會結果可能與個人結果相反

個人：

Eprivate↓.\mathcal E_{\mathrm{private}}\downarrow.

市場：

Esystem↑.\mathcal E_{\mathrm{system}}\uparrow.

即：

smarter participants→harder market.\boxed{ \text{smarter participants} \rightarrow \text{harder market}. }

這就是 Paper 00 的 Market Intelligence Hypothesis 在運彩市場的具體版本。

100. 研究邊界

本文不提供：

real-time betting assistant,\text{real-time betting assistant}, automatic odds scraper-to-bet execution,\text{automatic odds scraper-to-bet execution}, live wager automation,\text{live wager automation}, deployable exploitation system.\text{deployable exploitation system}.

本文研究：

  • AI probability estimation；
  • calibration；
  • market efficiency；
  • information latency；
  • bookmaker adaptation；
  • sports-world uncertainty；
  • validation；
  • market ecology。

核心目標是理解：

AI 在真實世界事件市場中如何改變資訊、價格與競爭。\boxed{ \text{AI 在真實世界事件市場中如何改變資訊、價格與競爭。} }

而不是建立自動下注工具。

101. 與 Paper 01 的核心差異

Paper 01：

I(X;Y)≈0.I(X;Y)\approx0.

因此：

Eprediction≈0.\mathcal E_{\mathrm{prediction}}\approx0.

Paper 02：

I(X;Y)>0.I(X;Y)>0.

但即使如此：

Eeconomic\boxed{ \mathcal E_{\mathrm{economic}} }

仍可能：

≤0.\leq0.

因為還存在：

PM,P_M, C,C, R.R.

所以：

information existence≠market advantage.\boxed{ \text{information existence} \neq \text{market advantage}. }

102. 從 Randomness Boundary 到 Market Boundary

Paper 01 問：

Is there anything to predict?\boxed{ \text{Is there anything to predict?} }

Paper 02 問：

Does the market already know it?\boxed{ \text{Does the market already know it?} }

這兩個問題形成 AI 博弈研究的前兩道 Gate。

第一道：

G1:I(X;Y)>0?G_1: I(X;Y)>0?

第二道：

G2:PA≠PM?G_2: P_A\neq P_M?

再下一道：

G3:EVnet>0?G_3: EV_{\mathrm{net}}>0?

103. AI Sports Betting 三重門

可以正式寫成：

Predictability GateI(X;Y)>0↓Market Edge GatePA−PM≠0↓Net Value GateEV−C>0\boxed{ \begin{array}{c} \text{Predictability Gate}\\ I(X;Y)>0 \\ \downarrow\\ \text{Market Edge Gate}\\ P_A-P_M\neq0 \\ \downarrow\\ \text{Net Value Gate}\\ EV-C>0 \end{array} }

只有三道都成立：

demonstrated economic edge\boxed{ \text{demonstrated economic edge} }

才有研究意義。

104. 結論

運動博彩不是對純隨機性的預測。

運動世界具有：

I(X;Y)>0.I(X;Y)>0.

因此 AI 理論上確實可以透過更好的資料、更完整的 world model、更快的資訊處理與更好的 probability calibration 降低預測誤差。

但是：

better sports prediction≠better sports betting.\boxed{ \text{better sports prediction} \neq \text{better sports betting}. }

因為在博彩市場中，另一個智能系統已經存在：

the market.\boxed{ \text{the market}. }

市場本身持續聚合：

  • 博彩公司的模型；
  • 專業玩家；
  • 公開資訊；
  • 資金流；
  • 新聞；
  • 交易風險。

因此真正的 AI 問題不是：

哪支隊伍會贏？

而是：

PAI(Y)−Pmarket(Y)=?\boxed{ P_{\mathrm{AI}}(Y) - P_{\mathrm{market}}(Y) = ? }

即使存在：

ΔP>0,\Delta P>0,

仍必須問：

Is the model calibrated?\boxed{ \text{Is the model calibrated?} } Is the information point-in-time valid?\boxed{ \text{Is the information point-in-time valid?} } Will the price still exist when executed?\boxed{ \text{Will the price still exist when executed?} } Does the edge survive costs and uncertainty?\boxed{ \text{Does the edge survive costs and uncertainty?} } How quickly will the market learn it?\boxed{ \text{How quickly will the market learn it?} }

因此現代 AI 運彩的完整問題不是：

AI→Sports Result.\text{AI} \rightarrow \text{Sports Result}.

而是：

World→AI World Model→Probability\boxed{ \text{World} \rightarrow \text{AI World Model} \rightarrow \text{Probability} }

同時：

World→Market→Price.\boxed{ \text{World} \rightarrow \text{Market} \rightarrow \text{Price}. }

兩者之間暫時存在：

Δ(t).\Delta(t).

但：

Δ(t)\Delta(t)

會受到其他 AI、資金、博彩公司、價格調整與資訊傳播反向影響。

因此最終形成：

AI↔Market↔AI.\boxed{ \text{AI} \leftrightarrow \text{Market} \leftrightarrow \text{AI}. }

這不是一個單向的 prediction problem。

而是一個：

Adaptive Intelligence Market.\boxed{ \text{Adaptive Intelligence Market}. }

人工智慧越強，不一定代表投注者越容易獲取超額收益。

在某些情況下，更可能發生：

AI capability↑⇒information absorption↑⇒market efficiency↑⇒obvious private edge↓.\boxed{ \text{AI capability}\uparrow \Rightarrow \text{information absorption}\uparrow \Rightarrow \text{market efficiency}\uparrow \Rightarrow \text{obvious private edge}\downarrow. }

因此，AI 對運動博彩最深刻的影響可能不是：

AI 終於能預測體育。

而是：

體育賽事的概率價格形成，本身逐漸變成 AI 與 AI 之間的競爭。\boxed{ \text{體育賽事的概率價格形成，本身逐漸變成 AI 與 AI 之間的競爭。} }

References / Empirical Anchors

  • 2024 年《Machine Learning with Applications》研究：在 NBA 歷史資料實驗中，比較 accuracy-based 與 calibration-based 模型選擇，強調 calibration 對概率型博彩決策的重要性。
  • Hegarty & Whelan，2025，《International Journal of Forecasting》：比較歐洲足球 1X2 與 Asian handicap 市場，發現兩者存在顯著不同的效率特徵。
  • Simon，2024，《Management Science》：分析 MLB opening-to-closing sportsbook price movement，發現市場整體高度可靠但並非完全無效率。
  • Oxford Economic Papers，2026：討論 bookmaker 市場結構與 favourite–longshot bias 的形成。
  • Sportradar Alpha Odds：AI/ML pricing 系統納入即時 liability、客戶行為與市場資訊。
  • Sportradar / Taiwan Sports Lottery：第三屆台灣運彩 2024–2033 使用 ORAKO、Managed Trading Services、pre-match/live odds 與相關 sportsbook infrastructure。
  • 台灣運彩現行投注規範與線上條款：固定賠率、動態賠率變更、交易拒絕與風險投注限制。

Next:
Paper 03 — AI 賽馬與共同彩池市場：日本 JRA、美國 CAW、香港量化生態與群體價格形成