為什麼要學這個？
當你在香港賽馬會看到「4 號馬 賠率 5.8」， 你知道這代表什麼嗎？多數人直覺認為「5.8 倍 = 下注 100 元贏 580 元」。 但這其實是一條通往機率世界的入口。 理解賠率背後的隱含機率，是判斷市場共識、識別價值下注的第一步。
從賠率到機率：基本公式
最簡單的轉換（忽略莊家利潤）：
p = 1 / odds例如：
| 馬匹 | 賠率 | 隱含機率 |
|---|---|---|
| 1 號 | 2.0 | 50.0% |
| 2 號 | 5.0 | 20.0% |
| 3 號 | 10.0 | 10.0% |
| 4 號 | 20.0 | 5.0% |
| 5 號 | 100.0 | 1.0% |
將所有隱含機率相加：50 + 20 + 10 + 5 + 1 = 86%。不到 100%， 這是市場定價的「安全邊際」。
莊家利潤（Overround）
實際上，所有博彩公司的隱含機率加總會大於 100%， 因為莊家需要從中抽佣：
Σ pᵢ > 1這個超出 100% 的部分稱為 overround 或 vig（vigorish）。 香港賽馬會的常見 overround 約為 108% – 120%， 視乎賽事類型與市場熱度。
標準化（Normalization）
要把隱含機率修正為「真實機率估計」，需做標準化：
pᵢ_norm = pᵢ / Σ pⱼ例如上例修正後：
- 1 號：50 / 86 ≈ 58.1%
- 2 號：20 / 86 ≈ 23.3%
- 3 號：10 / 86 ≈ 11.6%
- 4 號：5 / 86 ≈ 5.8%
- 5 號：1 / 86 ≈ 1.2%
現在總和等於 100%，這就是市場共識的勝率估計。
多市場分餾法（Shin, 1993）
標準化假設所有莊家採用同一利潤率，但實務中未必。Shin 模型嘗試分離「真實機率」與「莊家利潤」：
令 β > 1 為利潤因子，定義：
zᵢ = β / oddsᵢ最佳 β 滿足：
Σ (1 / (1 + zᵢ)) = 1此時每匹馬的真實隱含機率為：
pᵢ_true = zᵢ / (1 + zᵢ)Shin 模型的優勢：不會過度懲罰冷門（標準化會把冷門機率壓得更低，Shin 不會）。
為何這對我們的模型有用？
我們的後端做三件事：
- 抓取即時賠率（每分鐘輪詢）
- 計算隱含機率（含 overround 標準化）
- 與我們的 LGBM / Dixon-Coles 模型預測對比
當模型預測機率 > 市場隱含機率，且差距超過某個閾值， 稱為「value 訊號」。但我們不對外公佈任何 value 訊號， 僅作為內部研究模型的回測基準。
一個具體範例：足球比賽
英超曼聯對利物浦：
| 結果 | 賠率 | 隱含機率 |
|---|---|---|
| 曼聯勝 | 2.10 | 47.6% |
| 和局 | 3.40 | 29.4% |
| 利物浦勝 | 3.50 | 28.6% |
總和：47.6 + 29.4 + 28.6 = 105.6% → overround = 5.6%
標準化後：
- 曼聯勝：47.6 / 105.6 ≈ 45.1%
- 和局：29.4 / 105.6 ≈ 27.8%
- 利物浦勝：28.6 / 105.6 ≈ 27.1%
市場認為曼聯略佔優勢，但接近三分天下的局面。
為什麼我們公開這篇文章？
隱含機率是任何嚴肅體育博彩研究的基礎知識。理解它，你才能讀懂我們的模型 在「跟什麼東西比較」。
我們的原則：
教育先於行銷，統計學先於博彩話術。
在香港法律框架下，本平台僅以研究、教育、學術交流為定位， 所有技術細節透明公開。
延伸閱讀：Brier Score：統計學校準指標 · Kelly Criterion：下注比例的數學解
參考文獻：Shin, H. S. (1993). Measuring the Incidence of Insider Trading in a Market for State-Contingent Claims. Economic Journal.