為什麼「命中率」不夠？
一般談預測，動輒說「命中率 75%」「十中七」——這種說法在體育博彩圈層裡很常見， 但它有三個致命問題：
- 忽略機率高低：對熱門馬匹（隱含機率 0.1）下注「會贏」， 命中率本來就高；對冷門（隱含機率 0.05）命中才是真功夫。
- 無法跨場比較：一場只有 5 匹馬的賽事與一場 14 匹馬的賽事， 命中率基線完全不同。
- 鼓勵極端預測：為了拉高命中率，模型傾向只挑最有把握的， 迴避所有灰色地帶。
Brier Score（布萊爾分數）正是為了解決這三個問題而生。
什麼是 Brier Score？
Brier Score（1950 年由 Glenn W. Brier 提出）原本用於天氣預報校準， 後被廣泛應用於選舉預測、體育博彩、機器學習分類任務。
對於一個二元結果（贏 / 不贏），單一事件的 Brier Score 為：
BS = (p - o)²其中：
p為預測機率（0 ~ 1）o為實際結果（贏 = 1，不贏 = 0）
一組 N 場預測的平均 Brier Score：
BS̄ = (1/N) × Σ (pᵢ - oᵢ)²數值越小越好。0 表示完美預測，1 表示完全相反。
一個具體例子
假設我們預測 4 場賽馬（隱含機率為市場折算的勝率）：
| 賽事 | 預測機率 p | 實際結果 o | Brier Score |
|---|---|---|---|
| A 場 | 0.60 | 1（贏） | 0.16 |
| B 場 | 0.30 | 0（輸） | 0.09 |
| C 場 | 0.50 | 1（贏） | 0.25 |
| D 場 | 0.40 | 0（輸） | 0.16 |
平均：
BS̄ = (0.16 + 0.09 + 0.25 + 0.16) / 4 = 0.165若全部事件都用市場基準（p̄ = 0.5）：
BS̄_baseline = (0.25 × 4) / 4 = 0.25我們的模型比「擲硬幣」好 34%（0.165 vs 0.25）。
Brier Score 的工程實作要點
實務上，Brier Score 的計算需要注意幾點：
- 不要把未完成的賽事算進去：賽馬經常出現退出（scratchings）， 若模型預測但該駒退賽，應排除而非記為 0。
- 時間權重：愈接近開閘的預測應給予更高權重， 因為即時資訊（天候、騎師狀態）愈準確。
- 賽事類型分層：草地 vs 沙地、短途 vs 長途、不同班次應分組計算， 否則會被熱門班次稀釋。
我們的後端 /api/home/stats 端點即按上述原則分組回測 30 天內數據， 並回傳：
brier：平均 Brier ScorebrierBaseline：隨機基準 Brier ScorewinHit/qplHit/tceHit： 頭三名命中校驗（僅作輔助參考）
Brier Score 的限制
它不是萬靈丹：
- 二元 vs 多元：本文公式僅適用二元結果；多分類需用 Brier 的多類推廣。
- 極端機率懲罰過重：預測 0.99 卻失敗，懲罰 (0.99-0)² = 0.9801； 預測 0.50 失敗僅 0.25。這是特性而非缺陷——敢於表達信心就要承擔結果。
- 不衡量經濟價值：高 Brier Score 不代表能贏錢，因為賠率變動、 賽事取消等因素會影響實際 ROI。
為何我們公開 Brier Score？
本平台所有統計指標僅為研究用途。
我們相信，統計學校準指標比「命中率」「必中」「穩贏」這類行銷話語 更接近科學事實。在香港，受《賭博條例》（第 148 章）規限， 平台必須以研究與教育為定位，避免任何博彩促銷用語。 Brier Score 正是這種定位下的最佳對外表達—— 它告訴讀者「這個模型的預測在統計學意義上是否經得起檢驗」， 而不是告訴讀者「你應該下注」。
延伸閱讀：隱含機率：從賠率反推市場怎麼看這場賽事 · Kelly Criterion：如何用數學決定下注比例
參考文獻：Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review.