# 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： $$ I(X;Y)>0, $$ 其中 $X$ 為比賽前可觀測資訊， $Y$ 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： $$ H(Y\mid X). $$ 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： $$ \hat P_{\mathrm{AI}}(Y) $$ 而博彩市場隱含概率為： $$ P_{\mathrm{M}}(Y), $$ 則 AI 所需研究的核心量不是： $$ \hat P_{\mathrm{AI}}(Y), $$ 而是： $$ \boxed{ \Delta P = \hat P_{\mathrm{AI}}(Y) - P_{\mathrm{M}}(Y). } $$ 即使 $\Delta P>0$，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： $$ \boxed{ \mathcal E_{\mathrm{net}} = \mathcal E_{\mathrm{forecast}} + \mathcal E_{\mathrm{information}} + \mathcal E_{\mathrm{timing}} - C_{\mathrm{margin}} - C_{\mathrm{execution}} - C_{\mathrm{error}} - C_{\mathrm{risk}}. } $$ 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 $60\%$ 是否真的接近 $60\%$ 」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： $$ \boxed{ \text{AI Sports Betting} \neq \text{Sports Prediction}. } $$ 更準確地說，它是一個： $$ \boxed{ \text{World Model} + \text{Market Model} + \text{Latency Model} + \text{Uncertainty Model} } $$ 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： $$ I(X;Y)=0, $$ 則任何僅由 $X$ 產生的 representation： $$ Z=f(X) $$ 都不能創造： $$ I(Z;Y)>0. $$ 運動賽事則不同。 例如籃球比賽結果可能受到： $$ X= ( X_{\mathrm{player}}, X_{\mathrm{injury}}, X_{\mathrm{lineup}}, X_{\mathrm{rest}}, X_{\mathrm{travel}}, X_{\mathrm{strategy}}, X_{\mathrm{opponent}}, X_{\mathrm{venue}}, X_{\mathrm{official}}, \ldots ). $$ 因此通常： $$ P(Y\mid X)\neq P(Y). $$ 也就是： $$ \boxed{ I(X;Y)>0. } $$ 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： $$ U = U_{\mathrm{epistemic}} + U_{\mathrm{aleatory}}. $$ 其中： $$ U_{\mathrm{epistemic}} $$ 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： $$ U_{\mathrm{aleatory}} $$ 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： $$ U_{\mathrm{epistemic}}. $$ 不能保證： $$ U_{\mathrm{aleatory}}\rightarrow0. $$ --- # 3. 所以 AI 的目標不是把 $70\%$ 變成 $100\%$ 假設某球隊真正勝率為： $$ P(Y=1)=0.70. $$ 即使存在一個完美概率模型： $$ \hat P(Y=1)=0.70, $$ 仍然有： $$ P(Y=0)=0.30. $$ 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： $$ \boxed{ \text{Outcome correctness} \neq \text{probability correctness}. } $$ --- # 4. 運動博彩首先是一個 Probability Estimation Problem 一般分類器可能只輸出： $$ \hat y\in\{0,1\}. $$ 但博彩真正需要： $$ \hat p=P(Y=1\mid X). $$ 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： $$ \boxed{ \text{Classification} \rightarrow \text{Probability Estimation}. } $$ --- # 5. Odds 本質上是一種價格 使用 decimal odds： $$ O. $$ 最簡單的 implied probability 是： $$ q=\frac{1}{O}. $$ 例如： $$ O=2.00 $$ 對應： $$ q=0.50. $$ 但博彩公司通常加入 margin，所以同一市場所有結果的： $$ \sum_i q_i $$ 通常大於： $$ 1. $$ --- # 6. Overround 考慮二元市場： $$ O_A=1.80, $$ $$ O_B=2.10. $$ 則： $$ q_A=\frac{1}{1.80}\approx0.5556, $$ $$ q_B=\frac{1}{2.10}\approx0.4762. $$ 所以： $$ q_A+q_B \approx1.0318. $$ 多出的： $$ 0.0318 $$ 可以視為簡化意義下的 overround。 因此： $$ \boxed{ \text{raw implied probability} \neq \text{fair probability}. } $$ --- # 7. 市場概率需要去除 margin 最簡單的 normalization： $$ P_M(A) = \frac{q_A} {q_A+q_B}. $$ 於是： $$ P_M(A) \approx \frac{0.5556}{1.0318} \approx0.5385. $$ 這個數字比： $$ 0.5556 $$ 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： $$ P_A(Y). $$ 市場： $$ P_M(Y). $$ 若： $$ P_A(Y)=P_M(Y), $$ 則 AI 即使非常準，也沒有額外資訊。 所以定義： $$ \boxed{ \Delta_t(Y) = P_A(Y\mid X_t) - P_M(Y\mid \mathcal I_t). } $$ 其中： $$ X_t $$ 是 AI 的資訊集合， $$ \mathcal I_t $$ 是市場在時間 $t$ 已經吸收的資訊。 真正研究的是： $$ \Delta_t. $$ --- # 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： $$ \min L(P_A,Y). $$ 但博彩市場要求： $$ \min L(P_A,Y) $$ 同時還必須： $$ P_A \neq P_M $$ 且差異方向正確。 如果市場本身就是非常強的 forecast ensemble： $$ P_M\approx P^*, $$ 那麼： $$ P_A\approx P^* $$ 還是不夠。 必須： $$ \boxed{ P_A\text{ 比市場更接近 }P^*. } $$ --- # 10. 為什麼 Accuracy 很危險 假設模型 A： $$ Accuracy=70\%. $$ 模型 B： $$ Accuracy=60\%. $$ 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： $$ P_M=0.85, $$ 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： $$ \boxed{ \max Accuracy \neq \max Economic Value. } $$ --- # 11. Calibration 一個 calibrated model 應滿足： 當模型對大量事件輸出： $$ \hat p=0.70, $$ 這些事件中約： $$ 70\% $$ 真的發生。 理想形式： $$ P(Y=1\mid\hat P=p)=p. $$ 這叫： $$ \boxed{ \text{Probability Calibration}. } $$ --- # 12. 為什麼 Calibration 比 Accuracy 更接近博彩問題 因為 expected value 使用的是： $$ p, $$ 不是： $$ \hat y. $$ 假設： $$ O=2.00. $$ 如果模型說： $$ p=0.52, $$ 跟： $$ p=0.80 $$ 在分類結果上都只是： $$ \hat y=1. $$ 但兩者的經濟含義完全不同。 因此： $$ \boxed{ \text{decision quality} \propto \text{probability quality}. } $$ --- # 13. 2024 NBA 機器學習研究 2024 年《Machine Learning with Applications》一篇研究直接比較： $$ \text{accuracy-based model selection} $$ 與： $$ \text{calibration-based model selection}. $$ 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： $$ +34.69\%, $$ 而 accuracy-based selection 約為： $$ -35.17\%. $$ 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： $$ \boxed{ \text{模型選擇標準本身會改變投注決策品質。} } $$ --- # 14. Calibration 也不能只測一次 假設模型在： $$ 2018-2024 $$ 整體 calibrated。 但： $$ 2025 $$ 聯盟規則、打法、球員輪替或資料來源改變。 此時： $$ P_t(Y\mid X) $$ 可能漂移。 所以應研究： $$ Calibration(t). $$ 而不是： $$ Calibration=\text{constant}. $$ --- # 15. Brier Score 概率模型可以使用： $$ BS = \frac{1}{N} \sum_{i=1}^{N} (\hat p_i-y_i)^2. $$ 若預測越接近真實結果： $$ BS\downarrow. $$ 這比單純 accuracy 保留更多概率資訊。 --- # 16. Log Loss 另一個常用方法： $$ LL = -\frac1N \sum_i \left[ y_i\log\hat p_i + (1-y_i)\log(1-\hat p_i) \right]. $$ 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： $$ \boxed{ \text{overconfidence} } $$ 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： $$ 10^3 $$ 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： $$ X_{\mathrm{AI}} \supset X_{\mathrm{human}} $$ 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： $$ I(X_j;Y)\approx0 $$ 的 feature 即使增加一百萬個： $$ I(X_1,\ldots,X_m;Y) $$ 不一定因此實質增加。 而高維度反而增加： $$ \text{overfitting}. $$ 因此： $$ \boxed{ \text{data volume} \neq \text{information value}. } $$ --- # 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： $$ \text{player injury} $$ 本身可能不夠。 但加上： $$ \text{replacement quality} + \text{opponent matchup} + \text{pace} + \text{rest} $$ 才形成： $$ P(Y\mid X). $$ 因此 AI 的價值之一是： $$ \boxed{ \text{relational integration}. } $$ --- # 20. AI 的第三個優勢：非結構化資訊 傳統 quantitative model 很擅長： $$ CSV. $$ 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： $$ X_{\mathrm{text}} \rightarrow Z_{\mathrm{semantic}} $$ 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： $$ 68\% $$ 可能只是語言生成。 所以比較穩健的架構是： $$ \text{LLM} \rightarrow \text{information extraction} $$ $$ \downarrow $$ $$ \text{structured state} $$ $$ \downarrow $$ $$ \text{probabilistic model}. $$ 而不是： $$ \text{prompt} \rightarrow \text{magic probability}. $$ --- # 22. AI 的第四個優勢：速度 假設新資訊在： $$ t_0 $$ 出現。 玩家／AI 解析完成時間： $$ t_A=t_0+\Delta t_A. $$ 市場完全吸收時間： $$ t_M=t_0+\Delta t_M. $$ 若： $$ \Delta t_A<\Delta t_M, $$ 則窗口： $$ W= \Delta t_M-\Delta t_A>0. $$ 這是： $$ \boxed{ \text{Information Latency Window}. } $$ --- # 23. Edge 因此是時間函數 不能只寫： $$ \Delta=P_A-P_M. $$ 更合理： $$ \Delta(t) = P_A(t)-P_M(t). $$ 資訊剛出現： $$ \Delta(t_0)>0. $$ 市場吸收後： $$ \Delta(t)\rightarrow0. $$ 因此： $$ \boxed{ \mathcal E=\mathcal E(t). } $$ --- # 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： $$ P_i(Y). $$ 下注、報價與賠率調整共同形成： $$ P_M(Y). $$ 所以市場可以被視為： $$ \boxed{ \text{Distributed Ensemble Forecaster}. } $$ --- # 25. Opening Line 與 Closing Line 設： $$ P_O $$ 為 opening price 隱含概率， $$ P_C $$ 為 closing price 隱含概率。 在公開資訊逐步進入市場時，通常可以把： $$ P_C $$ 理解為吸收更多賽前資訊後的價格。 但： $$ \boxed{ P_C \neq P_{\mathrm{true}} } $$ 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： $$ P_A. $$ 之後 closing line 移動到更接近： $$ P_A. $$ 即： $$ |P_A-P_C| < |P_A-P_O|, $$ 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， $$ \text{price movement} $$ 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： $$ P_C $$ 仍然可能偏離： $$ P^*. $$ 所以研究應同時測： $$ Calibration(P_C) $$ 和： $$ Calibration(P_A). $$ --- # 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： $$ \boxed{ \text{mostly efficient} \neq \text{perfectly efficient}. } $$ --- # 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： $$ \text{Which market?} $$ $$ \text{Which sport?} $$ $$ \text{Which bet type?} $$ $$ \text{Which time?} $$ $$ \text{Which liquidity regime?} $$ --- # 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： $$ 1X2 $$ 市場和： $$ Asian\ Handicap. $$ 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： $$ \boxed{ Efficiency(g,m,t) } $$ 比： $$ Efficiency=\text{True/False} $$ 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： $$ P_{\mathrm{market}}(\text{longshot}) > P_{\mathrm{true}}(\text{longshot}) $$ 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： $$ \boxed{ \text{odds} } $$ 不只是純粹的概率報告。 它也是： $$ \boxed{ \text{market price}. } $$ --- # 33. 博彩公司也不是純 Prediction Machine 博彩公司的目標一般不是單純： $$ \min |\hat P-P^*|. $$ 還包括： $$ \max Profit, $$ 並管理： $$ Risk, $$ $$ Liability, $$ $$ Liquidity, $$ $$ Customer\ Behavior. $$ 因此 sportsbook price 可以抽象為： $$ O_t = F( P_t, L_t, D_t, R_t, C_t ), $$ 其中： $$ P_t=\text{estimated event probability}, $$ $$ L_t=\text{liability}, $$ $$ D_t=\text{demand}, $$ $$ R_t=\text{risk}, $$ $$ C_t=\text{competition}. $$ --- # 34. 這就是算法莊家的起點 傳統印象： $$ \text{human oddsmaker} \rightarrow \text{odds}. $$ 現代 sportsbook 越來越接近： $$ \text{data} + \text{models} + \text{trading systems} + \text{risk engines} \rightarrow \text{odds}. $$ 所以： $$ \boxed{ \text{AI bettor} } $$ 面對的常常不是： $$ \text{human bookmaker}. $$ --- # 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： $$ \boxed{ \text{What price should be quoted now?} } $$ 而不只是： $$ \boxed{ \text{Who will win?} } $$ --- # 36. 所以雙方其實解不同最佳化問題 玩家 AI： $$ \max \mathcal E_{\mathrm{player}}. $$ 莊家 AI： $$ \max \left[ Profit - \lambda Risk + \eta Competitiveness \right]. $$ 因此兩者的 loss function 不同。 --- # 37. AI Bettor vs Algorithmic Sportsbook 現代結構可以表示： $$ \begin{array}{ccc} \text{World} && \text{World} \\ \downarrow && \downarrow \\ P_A(Y) & \leftrightarrow & P_B(Y) \\ && \downarrow \\ && O_t \end{array} $$ 玩家觀察： $$ O_t $$ 並比較： $$ P_A. $$ 莊家則觀察： $$ \text{world} + \text{market} + \text{player flow}. $$ 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： $$ \text{ORAKO Sportsbook} + \text{Player Management} + \text{Managed Trading Services} + \text{Pre-match Odds} + \text{Live Odds}. $$ 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： $$ \boxed{ \text{AI-assisted bettor} \leftrightarrow \text{algorithmic trading infrastructure}. } $$ --- # 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： $$ O(t_0)=O_0, $$ 即使： $$ O(t_1)\neq O_0, $$ 已成立票券仍使用： $$ O_0. $$ --- # 41. 這使資訊時間具有經濟意義 假設： $$ P_A(t_0) $$ 已經因新資訊更新， 但： $$ O(t_0) $$ 仍代表舊價格。 則理論上存在： $$ \Delta(t_0). $$ 等到： $$ O(t_1) $$ 重新定價後： $$ \Delta(t_1)\rightarrow0. $$ 這正是： $$ \boxed{ \text{information latency} } $$ 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： $$ \boxed{ \text{賠率會隨時變動。} } $$ 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： $$ \boxed{ \text{observed edge} \neq \text{executed edge}. } $$ --- # 43. Execution Risk 定義： $$ O_{\mathrm{seen}} $$ 為觀察時價格， $$ O_{\mathrm{exec}} $$ 為真正成交價格。 若： $$ O_{\mathrm{exec}}0. $$ 但只能作用於非常小的： $$ Q. $$ 則： $$ Profit=Q\times EV. $$ 若： $$ Q\rightarrow0, $$ 即使： $$ EV $$ 很漂亮，經濟意義仍有限。 所以必須區分： $$ \boxed{ \text{Edge Magnitude} } $$ 與： $$ \boxed{ \text{Edge Capacity}. } $$ --- # 46. 市場會觀察資金流 如果大量 sophisticated players 同時判斷： $$ P_A>P_M, $$ 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： $$ D_A\uparrow. $$ 於是可能： $$ O_A\downarrow. $$ 因此： $$ \boxed{ \text{smart money becomes information}. } $$ --- # 47. AI 自己會消滅 AI Edge 假設某方法： $$ M $$ 有效。 初始： $$ A=0.01 $$ 只有 $1\%$ 市場參與者使用。 後來： $$ A=0.50. $$ 大量玩家產生相似 probability estimate。 則： $$ P_M\rightarrow P_M' $$ 更快速吸收該方法。 所以： $$ \boxed{ \frac{\partial\mathcal E_{\mathrm{private}}}{\partial A}<0 } $$ 再次出現。 --- # 48. 這是 Paper 00 的 Edge Decay 在運彩中的具體形式 可寫成： $$ \frac{d\Delta}{dt} = -\lambda A\Delta + \eta N_t, $$ 其中： $$ A $$ 為 AI adoption， $$ N_t $$ 為新的私人資訊流。 如果沒有新資訊： $$ N_t=0, $$ 則： $$ \Delta(t) = \Delta_0e^{-\lambda At}. $$ 這只是一個概念模型，但它清楚表示： $$ \boxed{ \text{更高 adoption} \rightarrow \text{更快 edge decay}. } $$ --- # 49. 但新的資訊會不斷重新創造 Edge 運動世界本身持續產生： $$ N_t>0. $$ 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： $$ \text{appear} \rightarrow \text{decay} \rightarrow \text{appear} \rightarrow \text{decay}. $$ 所以： $$ \boxed{ \mathcal E(t) } $$ 是一個 stochastic process。 --- # 50. 運動 AI 的真正難題是 Regime Shift 設某球員歷史： $$ P(Y\mid X,\theta_0). $$ 更換教練後： $$ \theta_0\rightarrow\theta_1. $$ 此時舊資料仍然存在，但 mapping 改變： $$ P_{\theta_0}(Y\mid X) \neq P_{\theta_1}(Y\mid X). $$ 所以： $$ \boxed{ \text{more historical data} } $$ 甚至可能降低模型品質。 --- # 51. Concept Drift AI 必須區分： $$ P_t(X) $$ 改變， 與： $$ P_t(Y\mid X) $$ 改變。 前者是： $$ \text{covariate shift}, $$ 後者更接近： $$ \text{concept drift}. $$ 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： $$ Train: t_0,\ldots,t_k $$ $$ Validate: t_{k+1},\ldots,t_m $$ $$ Test: t_{m+1},\ldots,t_n. $$ 並且進行： $$ \boxed{ \text{walk-forward evaluation}. } $$ 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： $$ \text{closing odds} $$ 來模擬： $$ \text{morning decision}. $$ 但 closing odds 包含： $$ t_{\mathrm{morning}} $$ 之後才出現的資訊。 這是： $$ \boxed{ \text{price leakage}. } $$ --- # 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： $$ t_{\mathrm{publish}}. $$ 不能只知道： $$ date. $$ 如果市場 14:03 得知， 模型假裝 09:00 已知： $$ X_{09:00}=X_{14:03}, $$ 就形成： $$ \boxed{ \text{temporal information leakage}. } $$ --- # 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： $$ \boxed{ \text{future knowledge contamination} } $$ 極其容易出現。 因此嚴格運彩 AI 需要： $$ \boxed{ \text{point-in-time data}. } $$ --- # 56. World Model 與 Market Model 必須分離 本文提出兩個主要模型。 第一： $$ M_W: X_t\rightarrow P_W(Y). $$ 這是： $$ \boxed{ \text{World Model}. } $$ 第二： $$ M_M: Z_t\rightarrow P_M(Y,t+\Delta t). $$ 這是： $$ \boxed{ \text{Market Model}. } $$ --- # 57. 為什麼還要預測市場？ 假設現在： $$ P_W(A)=0.60. $$ 當前市場： $$ P_M(A)=0.52. $$ 看似： $$ \Delta=0.08. $$ 但是另一個模型預測： $$ P_M(A,t+10min)=0.60. $$ 代表市場正在快速修正。 所以： $$ \boxed{ \text{event forecast} } $$ 與： $$ \boxed{ \text{price forecast} } $$ 是兩個問題。 --- # 58. 更完整的是三模型結構 $$ M_1=\text{World Model}, $$ $$ M_2=\text{Market Model}, $$ $$ M_3=\text{Uncertainty Model}. $$ 第三個模型估： $$ U_A= P( |P_A-P^*|>\epsilon ). $$ 也就是： > AI 對自己的 probability estimate 有多不確定？ --- # 59. Meta-Uncertainty 假設： $$ \hat P_A=0.60. $$ 不能只輸出： $$ 0.60. $$ 更理想： $$ P_A \sim \mathcal D(\mu=0.60,\sigma). $$ 例如： $$ \sigma=0.02 $$ 跟： $$ \sigma=0.15 $$ 完全不同。 即： $$ \boxed{ \text{Probability estimate} + \text{uncertainty of probability estimate}. } $$ --- # 60. 小 Edge 最容易被模型誤差吃掉 如果： $$ P_A=0.53, $$ $$ P_M=0.52, $$ 則： $$ \Delta=0.01. $$ 但若模型 uncertainty： $$ \sigma=0.05, $$ 那： $$ \Delta $$ 幾乎沒有可靠意義。 因此更合理的判斷不是： $$ \Delta>0, $$ 而是： $$ \boxed{ P(\Delta>0\mid D) } $$ 足夠高。 --- # 61. AI 不應把 Point Estimate 當真理 運動 AI 很容易產生： $$ P=63.7481\%. $$ 看起來非常精確。 但真實資料可能只支持： $$ P\in[0.54,0.69]. $$ 所以： $$ \boxed{ \text{decimal precision} \neq \text{epistemic precision}. } $$ 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： $$ Cov(R_i,R_j)\neq0. $$ 所以不能把： $$ N $$ 個正期望事件簡單視為： $$ N $$ 個獨立機會。 --- # 63. Portfolio View 設報酬向量： $$ \mathbf R. $$ 期望： $$ \boldsymbol\mu=E[\mathbf R]. $$ 協方差： $$ \Sigma=Cov(\mathbf R). $$ 那麼整體研究對象已開始接近： $$ \boxed{ \text{portfolio decision under uncertainty}. } $$ 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： $$ Y $$ 就確定。 博彩票券具有： $$ \text{finite expiry}. $$ 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： $$ \text{forecast} \rightarrow \text{market price} \rightarrow \text{final truth}. $$ --- # 65. 這也是為什麼博彩市場常被拿來研究 Market Efficiency 最終事件： $$ Y $$ 是可以觀察的。 因此可以測： $$ P_M $$ 到底 calibrated 不 calibrated。 金融中的： $$ \text{true intrinsic value} $$ 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： $$ AI $$ 使用市場： $$ P_M $$ 當 feature。 之後 AI 大量普及： $$ P_M $$ 本身越來越受到 AI 影響。 所以： $$ \boxed{ AI\rightarrow Market\rightarrow AI. } $$ 形成 feedback loop。 --- # 67. Reflexive AI Market 設： $$ P_M(t) = F( P_{H}(t), P_{AI}(t), Q(t) ), $$ 其中： $$ P_H $$ 是人類資金判斷， $$ P_{AI} $$ 是算法／AI 判斷， $$ Q $$ 是資金分布。 當： $$ AI\ share\uparrow, $$ 市場逐漸： $$ \boxed{ \text{AI endogenous}. } $$ --- # 68. 所以未來 AI 不是「打敗人類市場」 可能變成： $$ \boxed{ AI_A + Human_A \quad vs \quad AI_B + Human_B. } $$ 甚至： $$ \boxed{ \text{Model ecology}. } $$ 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： $$ 6\ hours. $$ 未來可能： $$ 20\ minutes. $$ 再往後： $$ 30\ seconds. $$ 因此： $$ \boxed{ \text{Edge Half-Life} } $$ 成為重要概念。 定義： $$ \tau_{1/2} $$ 使： $$ \Delta(t+\tau_{1/2}) = \frac12\Delta(t). $$ AI adoption 越高： $$ \tau_{1/2}\downarrow. $$ --- # 70. 本文提出 Information Edge Half-Life Hypothesis 對公開、機器可讀、容易解釋的資訊： $$ \tau_{1/2}^{\mathrm{machine-readable}} $$ 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： $$ \tau_{1/2} $$ 較長。 因此未來最大的 edge 可能從： $$ \text{processing advantage} $$ 轉移成： $$ \boxed{ \text{observation advantage}. } $$ --- # 71. 當人人都有同一個 LLM，LLM 本身就不再是 Edge 如果： $$ Model_A=Model_B, $$ $$ Data_A=Data_B, $$ $$ Prompt_A\approx Prompt_B, $$ 則： $$ P_A\approx P_B. $$ 於是： $$ \Delta\rightarrow0. $$ 所以： $$ \boxed{ \text{access to AI} \neq \text{AI advantage}. } $$ 真正優勢來自： $$ \text{unique data} + \text{better validation} + \text{better model} + \text{better timing} + \text{better uncertainty control}. $$ --- # 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： $$ \text{good explanation} $$ 不等於： $$ \text{calibrated probability}. $$ 因此 Paper 01 的： $$ \boxed{ \text{Narrative Overfitting} } $$ 在運彩仍然成立。 --- # 73. Sports Narrative Overfitting 例如模型看到： $$ 10 $$ 項支持 A 隊的理由。 人會以為： $$ P(A)\uparrow\uparrow. $$ 但這十項可能高度相關： $$ X_1\approx X_2\approx\cdots\approx X_{10}. $$ 其實都在描述同一個 underlying factor。 所以： $$ 10\ reasons \neq 10\ independent\ evidence. $$ --- # 74. 因果性問題 例如： $$ \text{team has won 8 straight} $$ 跟： $$ P(\text{next win}) $$ 相關。 但真正原因可能是： $$ \text{opponent strength}, $$ $$ \text{injury recovery}, $$ $$ \text{schedule}. $$ 如果模型只學： $$ winning\ streak\rightarrow win, $$ regime 改變後可能失效。 所以： $$ \boxed{ \text{correlation feature} \neq \text{stable causal feature}. } $$ --- # 75. Market Feature 也可能造成 Circularity 假設 AI 使用： $$ O_t $$ 作為重要 feature。 模型表現很好。 但這可能只是： $$ AI \approx Market. $$ 而不是： $$ AI>Market. $$ 所以必須分別測： $$ L(P_A,Y) $$ 與： $$ L(P_M,Y). $$ 以及： $$ L(P_A,Y)-L(P_M,Y). $$ --- # 76. 市場是非常強的 Baseline 因此運彩 AI 研究不應只跟： $$ random $$ 比較。 最低 baseline 應包括： $$ \boxed{ \text{market-implied probability}. } $$ 如果連市場都沒有 beat： $$ L_A\geq L_M, $$ 則： $$ \boxed{ \text{沒有證據顯示模型提供額外概率資訊。} } $$ --- # 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： $$ ROI>0 $$ 仍然可能是： $$ \boxed{ \text{researcher overfitting}. } $$ 所以最終仍應： $$ Freeze \rightarrow Forward Test. $$ --- # 78. 運彩研究的四個驗證層級 本文提出： ### Level 1 — Outcome Prediction $$ L_A0. $$ ### Level 4 — Net Economic Evidence 扣除： $$ C $$ 後仍： $$ EV_{\mathrm{net}}>0 $$ 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： $$ O_i, $$ 不知道： $$ P_M, $$ 不知道： $$ margin, $$ 不知道： $$ sample selection, $$ 不知道： $$ timing. $$ 所以： $$ \boxed{ Accuracy=70\% } $$ 本身幾乎不能回答： $$ \boxed{ EV>0? } $$ --- # 80. 運動中的運氣沒有被 AI 消滅 即使一個模型： $$ P_A $$ 完全正確， 短期仍可能： $$ R<0. $$ 這是： $$ \boxed{ \text{variance}. } $$ 因此： $$ \text{short-term loss} \not\Rightarrow \text{bad model}. $$ 反過來： $$ \text{short-term profit} \not\Rightarrow \text{good model}. $$ --- # 81. 真正要看的是 Long-Run Calibration 與 Expected Return 如果： $$ N\rightarrow\infty, $$ 且模型穩定， 才能逐步判斷： $$ \hat P\rightarrow P. $$ 但是運動世界又會 drift。 因此實際問題永遠介於： $$ \text{need more samples} $$ 與： $$ \text{old samples become stale}. $$ 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： $$ Variance\uparrow. $$ 太長： $$ Bias_{\mathrm{stale}}\uparrow. $$ 所以存在： $$ W^* = \arg\min_W \left[ Variance(W) + StalenessBias(W) \right]. $$ 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： $$ W=W(X,t) $$ 而不是固定： $$ W=3\ years. $$ 例如： 某些球員資訊使用： $$ 30\ days. $$ 某些教練特性使用： $$ 5\ years. $$ 某些主場效應使用： $$ 10\ years. $$ 形成： $$ \boxed{ \text{multi-timescale world model}. } $$ --- # 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： $$ |\mathcal H|\uparrow. $$ Paper 01 的 multiple-testing 問題再次回來。 所以： $$ \boxed{ \text{better AutoML} \Rightarrow \text{need stronger epistemic control}. } $$ --- # 85. AI Sports Betting 的真正研究架構 本文提出： $$ \boxed{ \mathcal S= ( W, M, L, U, V ) } $$ 其中： $$ W=\text{World Model}, $$ $$ M=\text{Market Model}, $$ $$ L=\text{Latency Model}, $$ $$ U=\text{Uncertainty Model}, $$ $$ V=\text{Validation Layer}. $$ 缺任何一層都容易把 prediction 誤認成 edge。 --- # 86. World Model $$ M_W: X_t\rightarrow P_W(Y). $$ 問題： > 世界現在發生什麼？ --- # 87. Market Model $$ M_M: O_t,Q_t,Z_t \rightarrow P_M(t+\Delta t). $$ 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 $$ M_L: I_t \rightarrow \tau_{\mathrm{absorb}}. $$ 問題： > 這項資訊多久會被市場吸收？ --- # 89. Uncertainty Model $$ M_U: D_t \rightarrow U(P_W). $$ 問題： > 我們有多不確定自己的 probability estimate？ --- # 90. Validation Layer $$ M_V $$ 不負責預測。 它負責問： $$ \boxed{ \text{這個 edge 到底是真的，還是我們自己回測出來的？} } $$ 因此： $$ V $$ 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： $$ G_{WM} = P_W(Y)-P_M(Y). $$ 只有： $$ G_{WM}\neq0 $$ 才存在值得進一步研究的 market disagreement。 因此： $$ \boxed{ \text{Sports prediction value} \propto \text{correct disagreement with market}. } $$ 不是： $$ \text{prediction accuracy alone}. $$ --- # 92. 第二核心命題：Calibration Dominance 若兩個模型 accuracy 相近，但： $$ Cal(M_A)P_M, $$ 也只有在： $$ O_{\mathrm{exec}} $$ 仍保留足夠價格時才可能實現。 因此： $$ \boxed{ \text{Detected Edge} \neq \text{Executable Edge}. } $$ 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： $$ A_{\mathrm{player}}\uparrow $$ 且： $$ A_{\mathrm{bookmaker}}\uparrow, $$ 長期均衡不一定是： $$ \text{players win}. $$ 更可能是： $$ \boxed{ \text{market efficiency}\uparrow. } $$ 也就是： $$ \text{obvious mispricing}\downarrow, $$ $$ \text{information absorption speed}\uparrow. $$ --- # 99. 因此 AI 的社會結果可能與個人結果相反 個人： $$ \mathcal E_{\mathrm{private}}\downarrow. $$ 市場： $$ \mathcal E_{\mathrm{system}}\uparrow. $$ 即： $$ \boxed{ \text{smarter participants} \rightarrow \text{harder market}. } $$ 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： $$ \text{real-time betting assistant}, $$ $$ \text{automatic odds scraper-to-bet execution}, $$ $$ \text{live wager automation}, $$ $$ \text{deployable exploitation system}. $$ 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： $$ \boxed{ \text{AI 在真實世界事件市場中如何改變資訊、價格與競爭。} } $$ 而不是建立自動下注工具。 --- # 101. 與 Paper 01 的核心差異 Paper 01： $$ I(X;Y)\approx0. $$ 因此： $$ \mathcal E_{\mathrm{prediction}}\approx0. $$ Paper 02： $$ I(X;Y)>0. $$ 但即使如此： $$ \boxed{ \mathcal E_{\mathrm{economic}} } $$ 仍可能： $$ \leq0. $$ 因為還存在： $$ P_M, $$ $$ C, $$ $$ R. $$ 所以： $$ \boxed{ \text{information existence} \neq \text{market advantage}. } $$ --- # 102. 從 Randomness Boundary 到 Market Boundary Paper 01 問： $$ \boxed{ \text{Is there anything to predict?} } $$ Paper 02 問： $$ \boxed{ \text{Does the market already know it?} } $$ 這兩個問題形成 AI 博弈研究的前兩道 Gate。 第一道： $$ G_1: I(X;Y)>0? $$ 第二道： $$ G_2: P_A\neq P_M? $$ 再下一道： $$ G_3: EV_{\mathrm{net}}>0? $$ --- # 103. AI Sports Betting 三重門 可以正式寫成： $$ \boxed{ \begin{array}{c} \text{Predictability Gate}\\ I(X;Y)>0 \\ \downarrow\\ \text{Market Edge Gate}\\ P_A-P_M\neq0 \\ \downarrow\\ \text{Net Value Gate}\\ EV-C>0 \end{array} } $$ 只有三道都成立： $$ \boxed{ \text{demonstrated economic edge} } $$ 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： $$ I(X;Y)>0. $$ 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： $$ \boxed{ \text{better sports prediction} \neq \text{better sports betting}. } $$ 因為在博彩市場中，另一個智能系統已經存在： $$ \boxed{ \text{the market}. } $$ 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： $$ \boxed{ P_{\mathrm{AI}}(Y) - P_{\mathrm{market}}(Y) = ? } $$ 即使存在： $$ \Delta P>0, $$ 仍必須問： $$ \boxed{ \text{Is the model calibrated?} } $$ $$ \boxed{ \text{Is the information point-in-time valid?} } $$ $$ \boxed{ \text{Will the price still exist when executed?} } $$ $$ \boxed{ \text{Does the edge survive costs and uncertainty?} } $$ $$ \boxed{ \text{How quickly will the market learn it?} } $$ 因此現代 AI 運彩的完整問題不是： $$ \text{AI} \rightarrow \text{Sports Result}. $$ 而是： $$ \boxed{ \text{World} \rightarrow \text{AI World Model} \rightarrow \text{Probability} } $$ 同時： $$ \boxed{ \text{World} \rightarrow \text{Market} \rightarrow \text{Price}. } $$ 兩者之間暫時存在： $$ \Delta(t). $$ 但： $$ \Delta(t) $$ 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： $$ \boxed{ \text{AI} \leftrightarrow \text{Market} \leftrightarrow \text{AI}. } $$ 這不是一個單向的 prediction problem。 而是一個： $$ \boxed{ \text{Adaptive Intelligence Market}. } $$ 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： $$ \boxed{ \text{AI capability}\uparrow \Rightarrow \text{information absorption}\uparrow \Rightarrow \text{market efficiency}\uparrow \Rightarrow \text{obvious private edge}\downarrow. } $$ 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： $$ \boxed{ \text{體育賽事的概率價格形成，本身逐漸變成 AI 與 AI 之間的競爭。} } $$ --- ## 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**