赛马算法训练

只讀。賽果由程序在賽後自動回填，這些就是訓練數據；「載入」只會把內容帶到手動運算頁當參考，不會回寫。

訓練不等於採用：訓完先做時間序列回測，只有「前三名對市場的改進」 其 95% 信賴下界為正才會換上新模型 —— 只要求「改進>0」會把噪聲當模型採用。
464 場首次實測：六個基本面因子的係數全部塌向 0，前三名改進 +0.0076、標準誤 0.0109、95% 區間 [−0.0137, +0.0159] 橫跨 0，判定為噪聲、未採用， 當時估計約需 350 場才能看出這個量級的改進是否顯著。
2026-09-08 用 1642 場複測，這個估計被推翻：樣本大了十幾倍，改進不是「還不顯著」 而是變成負的——基本面因子在這批數據上打不過賠率，不是樣本不夠，是信號本身不在 那裡。store.list_models() 至今仍是 0 筆，這顆按鈕點了大概率還是「未採用」， 但機制留著——萬一哪天信號真的出現，回測門檻會接住它。

Key 存在本機 SQLite，只有登入後才能使用，頁面上不會回顯完整內容。 到 Google AI Studio 申請即可，有免費額度；一個賽馬日約 30 張圖，用量很小。

只給「自動中控」頁的「本場推薦」用，賠率一抓完自動叫一次，跟市場前四／ 田忌前四完全獨立、不影響它們的計算結果；跟上面 Gemini（人工運算頁「問問AI」用）是 兩套完全分開的帳號與設定，互不相依。到 x.ai 申請 API Key 即可。

跟上面 xAI 是兩套完全獨立的 AI：各自的 Key、模型、設定，互不讀取。每場開跑前 跟 xAI 同時收到逐字相同的客觀數據（排位表＋賠率＋組合彩池，不含任何本站計算結果或前四名單）， 各自獨立給出前四，互相看不到對方。GPT 失敗只影響 GPT 那一欄。
GPT 與 xAI 另外要求對自己得出的前四做結果交叉驗證（逐一核對入選馬與獨贏／位置／連贏／位置Q／二重彩／三重彩賠率及排位表是否矛盾， 有矛盾重新計算後再給出；當場沒抓到二重彩／三重彩就不列），驗證內容在推薦的 ? 裡；Claude 不加，當對照。模型清單由 OpenAI 即時提供。 到 platform.openai.com 申請 API Key（與 ChatGPT 訂閱分開計費）。

第三個獨立 AI：自己的 Key、模型，跟 xAI、GPT 互不讀取。每場開跑前跟它們同時收到 逐字相同的客觀數據（不含任何本站計算結果或前四名單），各自獨立給出前四，互相看不到對方； 不加 GPT／xAI 那段結果交叉驗證要求（當對照組）。Claude 失敗只影響 Claude 那一欄。未設置 Key 或未選模型時不會呼叫、 也不計失敗；統計從第一場有 Claude 結果的賽馬日起算。模型清單由 Anthropic 即時提供。 到 console.anthropic.com 申請 API Key（與 Claude 訂閱分開計費）。

要回答的不是「有沒有猜中」，而是排位表相對市場是幫了忙還是幫了倒忙。 猜錯但比市場更接近真相，排位表仍有價值；猜對卻比市場更遠離，那只是運氣。
對實際冠軍逐因子拆解，就能看出是哪個因子把牠壓低了 —— 這是把「這場錯了」變成「下次該改哪裡」的唯一途徑。 （2026-09-16：判詞原本用的是「模型」，但線上模型從未訓練成功， 該判詞曾 100% 恆為「與市場一致」；已改用排位表評分，現在會真的隨場次變化）。

A/E ＝ 實際發生數 ÷ 按市場賠率算的期望發生數。覆蓋率回答不了這個問題 —— 直接押最熱門就有三成命中率，那是市場的功勞。
A/E > 1 有超出市場的信息；≈ 1 市場早已定價；< 1 市場過度下注。
2026-09-07 改：原先追的是 S1~S7 及其複合條件，464 場實測全部「與市場無異」， 篩選層已整層移除，不再追蹤。現在只追唯一通過檢驗的那一條 —— 排位表認可與否，按市場排名分層。若新數據上這個差距消失，說明該功能該下線。

排位表獨立評分完全不看賠率，只用下面這幾欄。
2026-09-09 用 1640 場 5 折交叉驗證重新擬合定案——早年在 183~788 個 樣本上擬合會把近績學成負係數，那是樣本量撐不住多維估計的產物，不是 「權重不該學」；1640 場量級後五折獨立收斂到同一組正係數，樣本外覆蓋率 比舊版顯著高 +2.74pt（95% 區間 [+0.35,+5.13]pp）。
下面「單獨區分力」「單獨用時冠軍命中」兩欄 2026-09-10 用現在全部 1650 場重算（此前是 465 場、且數據源是一張沒跟著新場次更新的舊表）： 近績 0.188 ＞ 騎師 0.102 ＞ 評分變動 0.088 ＞ 檔位 0.023 ＞＞ 出賽間隔 0.001——出賽間隔資訊量趨近 0，這也是現行權重把它設成 0% 的依據。

自動運算線走的是 auto_model.py 裡**另一份獨立的權重表**，跟上面手動線那套 數值不同——「跑法（前置傾向）」這個實驗性因子 2026-09-16 只加到手動線，當時順帶把其餘 幾項重新歸一化，自動線沒有跟上，所以兩邊至今不一致。
兩欄「單獨區分力」「單獨用時冠軍命中」是同一批離線實驗的數字， 兩條線共用，不隨權重變化。

機率引擎的係數。效用 V = β_mkt × ln q + Σ β_k × x_k，場內 softmax 後得到奪冠機率 ——q 是彩池賠率去水後的市場機率，x_k 是排位表因子的場內標準化值。
非市場因子的先驗一律為 0（2026-09-08 定案）：1642 場實測舊先驗把前三名口徑相對市場 拉低 0.0564，逐因子消融沒有一個是正貢獻。這不是刪因子——特徵照算，只是在數據證明它們有用 之前不加權。因此冷啟動時模型嚴格等於市場投注份額。
權重欄顯示的是當前實際在用的值：採用過訓練模型就顯示訓練值，否則顯示先驗值。

自動線的機率引擎係數。因子定義與手動線各存一份（model.py 與 auto_model.py）， 但兩邊讀的是同一個已採用的訓練模型，所以一旦有模型被採用，兩條線會同步。
分開列是為了讓將來真的出現分叉時能一眼看到，而不必去比對兩個原始檔。

數據來自 HKJC 官方騎師頁面（非本項目自行統計），本季／上季戰績逐位擷取， 另附「大熱統計」（該騎師策騎大熱門馬的次數與成績）。每位騎師的更新時間見末列， 使用中會自動觸發重抓，服務常駐時每兩天也會巡查一次過期條目。

只保留目前在役的馬匹（已退役/已取消登記一律不收，2026-09-07 起 每次重新整理都會把新退役的自動篩掉），資料來自 HKJC 官方馬匹頁面的檔案區 （血統／馬主／評分／進口類別）。按評分降序；每匹馬的更新時間見末列， 使用中會自動觸發重抓，服務常駐時每兩天也會巡查一次過期條目。
「前置傾向」來自另一個庫（歷史賽果的沿途走位，非本頁資料）： 0~100%，數字越高代表這匹馬歷史上早段越常跑在前面；點左側 ▸ 可展開最近 逐場走位明細。這是排位表評分第 6 維「跑法」用的同一份數據 （2026-09-16 實驗性上線，僅手動運算頁生效）。

全自動閉環：排位表每天自動抓一次（來源馬會，抓不到改用贏跑網），比賽日每場開跑前自動抓賠率、跑運算並請 xAI、GPT、Claude 各出一份獨立前四，賽後自動回填官方賽果入庫。算法程式、排位表權重、資料表都跟「手動中控」頁各自獨立； 共用的只有騎師/馬匹統計，以及「模型」頁「重新訓練」採用的訓練模型（目前沒有採用任何模型）。

排位表評分（近績／騎師／檔位等，完全不看賠率）選出的前四。每場運算照常計算、照常存庫； 2026-10-25 起自動中控、看板、運行總覽改顯示田忌前四，排位前四統一在這裡查看。 覆蓋＝實際前三全部落在這四匹裡；與看板同一口徑，9/23 起計入統計。

HKJC 官网 SpeedPRO 原始数据（能量數值/分段時間/跑法評述），每周二、五自动抓取存档；比赛日前每天 12:00 再重抓一次（更新退出馬／後備馬／檔位）。 不参与市场运算，也不发给 AI（backtest 已验证能量數值控制市场赔率/排位表评分后 净区分力趋近于零，详见内部记录）；只有田忌排名会用到。

跟下面「自動運算」排程完全獨立，只共用同一批騎師/馬匹資料庫（只讀）。

跟「手動中控」頁各自獨立（算法程式、排位表權重、資料表）；共用的只有騎師/馬匹統計， 以及「模型」頁「重新訓練」採用的訓練模型（目前沒有採用任何模型）。

只顯示抓取／輪詢／資料庫更新相關的後台日誌，不含逐次頁面訪問記錄。 最新的排在最上面。