凱利公式完整教學：數學推導、分數凱利、多場同注與 1000 次模擬對比

1. 從電話線路到賭桌：凱利公式的起源

凱利公式（Kelly Criterion）是由 John Larry Kelly Jr. 於 1956 年在 AT&T 貝爾實驗室（Bell Labs）提出的一套資金配置理論。這個如今被全球投資人和職業投注者奉為圭臬的公式，最初根本不是為了賭博而設計的。

Kelly 當時在研究的問題是：如何在有雜訊的電話線路上最大化資訊傳輸速率。他的同事 Claude Shannon——資訊理論的創始人——在 1948 年發表了劃時代的論文《A Mathematical Theory of Communication》，定義了「位元」（bit）的概念，並證明了通訊頻道的容量上限。Kelly 從 Shannon 的框架出發，問了一個巧妙的延伸問題：如果一個賭徒透過一條有雜訊的通訊頻道獲得了關於比賽結果的部分資訊，他應該把多少比例的資金押在這個資訊上？

Kelly 的論文《A New Interpretation of Information Rate》發表在 1956 年的《貝爾系統技術期刊》上。他的核心發現是：最佳投注比例等於你的「資訊優勢」除以「賠率」——而這個「資訊優勢」恰好等同於 Shannon 定義的資訊傳輸速率。換句話說，一條通訊頻道每秒能傳多少位元的資訊，就等價於一個賭徒每次投注能以多快的速率增長財富。

真正讓凱利公式走出實驗室的人是 Edward O. Thorp。Thorp 是麻省理工學院的數學教授，他在 1960 年代初期將凱利公式應用到 21 點紙牌計算（card counting）中，並寫了一本暢銷書《Beat the Dealer》（1962）。Thorp 不僅在賭場贏了大量的錢，後來更將同樣的數學框架帶入華爾街，創辦了 Princeton Newport Partners 避險基金，在接近 20 年的時間裡取得了年化約 20% 的報酬率。Thorp 在 2006 年的回顧論文《The Kelly Criterion in Blackjack, Sports Betting, and the Stock Market》中明確指出：全凱利在理論上最優，但在實務中應該使用分數凱利——這個論點至今仍是學界與業界的共識。

凱利公式的核心思想可以用一句話總結：在你有正期望值的情況下，按照勝率和賠率的比例來決定每次投入資金的百分比，能讓你的長期財富增長率達到最大。投入太少，你沒有充分利用優勢；投入太多，一次失敗可能讓你萬劫不復。凱利公式就是在這兩個極端之間找到數學上的最佳平衡點。

2. Shannon 資訊論與凱利公式的連結

要真正理解凱利公式為什麼是「最優」的，需要回到 Shannon 的資訊理論。這不只是歷史背景——理解這個連結能幫助你建立正確的直覺，知道凱利公式在什麼條件下有效、什麼條件下會失效。

Shannon 的頻道容量定理

Shannon 在 1948 年證明了一個驚人的結果：對任何有雜訊的通訊頻道，存在一個理論上限——頻道容量 C（capacity）。只要資訊傳輸速率不超過 C，就存在一種編碼方式能讓錯誤率趨近於零。超過 C，就不可能避免錯誤。

Kelly 的洞見是：把「通訊頻道」換成「資訊來源」（你的勝率估計），把「傳輸速率」換成「財富增長率」——就得到了投注問題的對應版本。你的資訊來源有多「好」（勝率估計有多準），決定了你的財富增長速率的上限。

從位元到財富增長率

假設你有一個二元通訊頻道，傳輸「0」或「1」。頻道有雜訊，正確傳輸概率是 p，錯誤概率是 q = 1 - p。Shannon 定義這個頻道的互資訊（mutual information）為：

Kelly 證明了：在最優投注策略下，財富的期望對數增長率恰好等於這個互資訊。用數學表示：

這個等式有一個深刻的含義：你能從投注中獲取的長期增長率，上限就是你的資訊優勢的大小。如果你的勝率估計跟隨機亂猜一樣（p = 隱含概率），互資訊為零，凱利公式告訴你不要下注。如果你有完美的預知能力（p = 1），互資訊最大，凱利告訴你全押。現實中的所有情況都在這兩個極端之間。

為什麼這個框架重要

很多人把凱利公式當成一個「投注計算器」來用——輸入勝率和賠率，輸出投注比例。這沒有錯，但遺漏了最重要的一點：公式的品質完全取決於勝率估計的品質。Shannon 的框架告訴我們，如果你的「通訊頻道」（勝率估計方法）很爛——雜訊很大、偏差很高——那麼即使用了凱利公式，你的增長率上限也很低。這就是為什麼本文後半段要花大量篇幅討論勝率估計的誤差問題。

用一個具體的類比來理解：假設你有一個勝率估計方法，平均偏差是 ±5%（也就是你估 55% 的比賽，真實勝率可能是 50-60%）。這個方法的「頻道容量」遠低於一個偏差只有 ±2% 的方法。即使兩個方法都搭配凱利公式，後者的長期財富增長率上限大約是前者的 6 倍——不是因為它下注更多，而是因為它的每一注都「更準」。這就是為什麼提升勝率估計品質（例如從純人工判斷升級到 AI 多信號融合）的邊際價值極高：它不只是讓你贏多一點，而是提升了你整個系統的理論上限。

資訊論視角下的「莊家抽水」

Shannon 的框架也幫助我們重新理解莊家抽水（margin/vigorish）的本質。莊家對一場 50/50 的比賽開出 1.91/1.91 的賠率，隱含概率總和是 104.7%，多出來的 4.7% 就是抽水。從資訊論的角度看，抽水等效於在你的「通訊頻道」裡加入了額外的雜訊——它降低了你能利用的有效資訊量。

具體來說：如果你的真實勝率估計是 p，但莊家的賠率只給你 b（而非公平賠率 1/p - 1），那你的有效 edge 從 (bp - q) 被壓縮了。以典型的 5% 抽水為例，你需要大約 52.4% 的真實勝率才能打平——這意味著你的勝率估計方法的「頻道容量」必須至少能穩定產出 52.4% 以上的命中率，凱利公式才有正的增長率可以最大化。低於這個門檻，再精巧的資金管理都救不了你——Shannon 的理論保證了這一點。

3. 完整數學推導：從對數效用到 f* = (bp - q) / b

凱利公式的目標是最大化財富的期望對數增長率 E[log(W)]。為什麼是對數？因為對數函數有三個關鍵特性使它成為衡量財富增長的最佳工具：

• 乘法變加法：連續投注的財富倍數相乘，取對數後變成相加，可以用大數法則
• 邊際效用遞減：從 1000 元賺到 2000 元的「快樂」大於從 100 萬賺到 100.1 萬，對數函數反映這個特性
• 避免破產：最大化期望值的策略可能建議你全押（因為期望值最大化不在乎你破產），但最大化對數的策略永遠會保留一部分資金

3.1 問題設定

假設你有一個正期望值的投注機會，每次可以選擇投入總資金的比例 f（0 ≤ f ≤ 1）。令：

• W₀ = 初始資金
• b = 淨賠率（decimal odds - 1），即每投入 1 元、贏了可以淨賺 b 元
• p = 勝率（你估計的真實獲勝概率）
• q = 1 - p（敗率）
• f = 投入資金佔總資金的比例（這就是我們要求解的值）

3.2 單次投注後的財富變化

每次投注後，你的資金變化為：

3.3 N 次投注後的期望對數增長率

經過 N 次獨立投注，假設贏了 Np 次、輸了 Nq 次（大數法則保證 N 夠大時趨近於此），你的財富變為：

取對數，除以 N，得到每次投注的平均對數增長率 G(f)：

3.4 求最大值：對 f 微分

要找到使 G(f) 最大的 f*，對 f 求導數並令其等於零：

交叉相乘：

解出 f*（最優投注比例）：

3.5 驗證這是最大值（二階條件）

我們需要確認這個駐點是最大值而不是最小值。計算 G''(f)：

由於 p, q, b 都是正數，G''(f) 恆為負數——確認了 G(f) 是一個凹函數（concave），f* 確實是全域最大值。這也意味著凱利公式給出的解是唯一的最佳解。

3.6 等價形式與直覺解讀

凱利公式有幾種等價的寫法，各有各的直覺優勢：

直覺形式最好記：你的優勢（edge）除以賠率。edge 越大（勝率或賠率對你越有利），投注比例越高；賠率越高（風險越大），同樣的 edge 下投注比例越低。

當 f* 計算出來是負數時，代表 bp - q < 0，也就是 bp < q，即期望淨利潤為負——你不應該下注。

4. 分數凱利（Fractional Kelly）：波動率 vs 成長率的取捨

如果凱利公式給出的是數學上的最優比例，為什麼 Thorp（2006）、MacLean-Thorp-Ziemba（2011）和幾乎所有職業投注者都建議使用「打折」的版本？答案藏在一個精巧的數學事實裡：增長率對投注比例的變化是不對稱的。

4.1 增長率與波動率的數學關係

定義分數凱利的係數為 k（0 < k ≤ 1），實際投注比例為 f = k × f*。將 f = kf* 代入增長率公式 G(f)：

而波動率（財富變化的標準差）則近似與 k 成正比：

把幾個常見的分數凱利係數代入計算：

增長率保留 = k(2-k)；波動率 = k。增長/波動比 = (2-k)，k 越小比值越高。

看這張表有一個令人驚訝的發現：半凱利只犧牲了 25% 的增長率，但波動率砍了一半。從效率的角度看（增長/波動比），半凱利的 1.50 顯著優於全凱利的 1.00。這就是為什麼 Thorp 說半凱利是「甜蜜點」——你用最小的增長率代價換到了最大的穩定性提升。

4.2 增長率曲線的形狀：為什麼過度投注比投注不足更危險

G(f) 曲線是一個凹函數（concave function），它的形狀解釋了凱利公式最重要的直覺：

• f < f* 時（投注不足）：增長率隨 f 增加而上升，但上升速度遞減。你少投了一些，增長慢一點，但仍然在成長。
• f = f* 時（凱利最優）：增長率達到最大值 G(f*)。
• f* < f < 2f* 時（適度過度投注）：增長率開始下降，但仍為正。你還是在成長，只是比最優慢。
• f = 2f* 時（兩倍凱利）：增長率歸零。你的帳戶長期既不增長也不縮水——所有的期望優勢被過度波動完全抵消。
• f > 2f* 時：增長率變成負數。你在系統性地虧損——即使每次投注都有正期望值。

這個曲線形狀解釋了一個看似矛盾的現象：一個有正期望值的投注策略，如果投注比例太高，長期下來反而會虧損。這不是因為你的分析錯了，而是因為波動率吃掉了你的期望增長。數學上這叫「波動率拖累」（volatility drag）——當你的帳戶因為過度投注而大幅波動時，複合效應（compounding）開始反噬你。

舉一個極端的例子來建立直覺：假設你有一個神奇的投資，每次要嘛翻倍（+100%），要嘛歸零（-100%），概率各 50%。期望值是 0%——長期打平。但如果你每次全押：贏一次變成 2 倍，再輸一次變成 0。只要輸過一次，遊戲就結束了。期望值是零，但你一定破產。這就是波動率拖累的極端版本，也是為什麼凱利公式會阻止你全押——即使期望值很高。

4.2 為什麼大多數人用全凱利會爆倉

上面的分析假設你知道真實的 p。但加上勝率估計的不確定性後，情況會急劇惡化。讓我們用一個具體的數字感受這個效應：

你以為自己在用凱利公式做最優投注，實際上你每次都在用真實最佳值的 2.6 倍資金冒險。MacLean, Thorp & Ziemba (2011) 在《The Kelly Capital Growth Investment Criterion》中用蒙地卡羅模擬證明：投注比例超過真實 f* 的 2 倍時，長期增長率反而變成負數。你不是在「積極成長」——你在系統性地摧毀自己的資金。

使用半凱利（k = 0.50）時，即使你高估了 5% 的勝率，實際投注比例也只是 16% × 0.5 = 8%——仍然在合理範圍內。這就是分數凱利的安全邊際：它為你的勝率估計誤差買了保險。

4.3 該用 1/2 還是 1/4 凱利？

選擇取決於你對勝率估計品質的信心：

• 半凱利（k = 0.50）：適合有系統化模型（如 AI、ELO 評分、Dixon-Coles）且經過回測驗證的玩家。你需要確信自己的勝率估計偏差在 ±3% 以內。
• 1/4 凱利（k = 0.25）：適合剛開始建立分析系統的玩家，或者你的勝率估計方法還沒有足夠的歷史驗證。波動率極低，適合培養紀律。
• 重要補充：無論使用哪個係數，都建議設定單場投注上限（通常為總資金的 5-10%），避免極端情況下的過度集中。如果你的模型在某場比賽計算出半凱利 = 22%，那不是你的模型很強——而是你的模型可能高估了 edge。

5. 多場賽事同步下注：多重凱利計算

在現實中，你經常會同時面對多場有價值的比賽。能不能對每場分別算凱利比例、然後全部下注？答案是可以，但有幾個重要的調整。

5.1 獨立事件的多重凱利

如果多場比賽之間完全獨立（不同聯賽、不同隊伍、沒有共同因素），最簡單的方法是：

1. 對每場比賽分別計算凱利比例 f₁*, f₂*, ..., fₙ*
2. 檢查總投注比例 f₁* + f₂* + ... + fₙ* 是否超過你的舒適上限（通常 20-30%）
3. 如果超過，按比例縮減所有投注：fᵢ_adjusted = fᵢ* × (上限 / 總和)

舉例：假設你同時看到三場有價值的比賽，半凱利分別算出 8%、6%、5%，總和 19%。如果你的總暴露上限是 15%：

5.2 相關事件的風險放大

問題在於「完全獨立」這個假設在運動投注中經常不成立。以下是常見的相關性來源：

• 同一聯賽同一輪：英超同一輪的多場比賽，受到同樣的天氣、密集賽程、國際比賽日後球員疲勞等共同因素影響
• 同一隊伍的讓分 + 大小分：你買了 A 隊讓 5.5 分和大 220.5，如果 A 隊大勝，兩注很可能同時贏；如果 A 隊險勝或小輸，兩注可能同時輸。這比兩個獨立事件的風險高很多
• 跨聯賽的系統性因素：週末所有聯賽同時開賽，全球大額資金的流向可能同時影響所有盤口

嚴格的處理方法是用多變量最佳化求解聯合凱利（joint Kelly），但這需要估計事件之間的相關矩陣——在運動投注中這通常不切實際。實務上的做法是保守估計：

• 同一聯賽同一輪的比賽：總暴露上限設為獨立假設的 70%
• 同一隊伍的不同盤口（讓分 + 大小分）：視為一注，取較小的凱利比例
• 跨聯賽、完全不相關的比賽：可以用獨立假設，但仍建議設 25-30% 的絕對上限

5.3 實戰範例：週六下午三場英超

假設你在某個週六下午看到三場英超有價值，半凱利分別算出 7%、5%、4%（總計 16%）。這三場都是英超同一輪，你應該怎麼處理？

為什麼要打七折？因為同一輪英超的比賽受到共同因素影響：如果本輪裁判整體吹罰尺度偏嚴，所有主隊可能同時受到負面影響；如果本輪是國際比賽日後的第一輪，所有球隊的球員疲勞模式類似。這些共同因素讓三場比賽的結果之間產生正相關——三場同時輸的概率高於獨立假設下的理論值。打七折是粗略但實務可行的保守調整。

5.4 凱利公式不適用於串關

特別要提醒：凱利公式不適合直接套用在串關（parlay）上。串關把多場比賽的賠率相乘，莊家的利潤也跟著相乘放大——兩場各 5% 抽水的比賽串在一起，複合抽水接近 10%。用凱利公式算出的比例去下串關，會系統性地高估你的 edge。關於串關的數學分析，詳見串關數學解析。

6. 凱利 vs Martingale vs 固定比例：1000 次蒙地卡羅模擬

到目前為止，我們討論的都是理論。理論說凱利最優，但實際上贏不贏得過更簡單的策略？讓我們用 1000 次蒙地卡羅模擬（Monte Carlo simulation）來給出一個直接的答案。

6.1 模擬設定

6.2 五種策略的模擬結果

Martingale 起始注 $100，每次虧損翻倍。Sharpe ratio 無法計算（分母為零，97.8% 路徑歸零）。

6.3 各策略的運作邏輯

在解讀結果前，先理解每種策略的內在邏輯：

• 全凱利：根據公式 f* = (bp-q)/b 動態計算每場的投注比例。在 55% 勝率、1.91 賠率的場景下，f* = 6.1%。帳戶越大投越多、越小投越少（比例投注）。
• 半凱利：f* 的一半，即 3.05%。同樣是比例投注，但波動率砍半。
• 固定 3% / 1%：每場投注帳戶當前餘額的固定百分比。跟凱利的差異是不根據 edge 大小調整——每場都投一樣的比例。
• Martingale：初始注 $100，每次輸了翻倍（$100 → $200 → $400 → $800...），贏了回到 $100。目標是「只要贏一次就回本」，但需要的資金呈指數增長。
• 等額投注：每場固定投 $500，不隨帳戶大小變化。帳戶縮小時投注佔比反而變大，帳戶增長時投注佔比變小——跟凱利的邏輯完全相反。

6.4 結果解讀

幾個關鍵發現：

• Martingale 是災難。中位數終端財富為 $0，破產率 97.8%。Martingale 的問題不是「會不會」遇到連敗，而是「什麼時候」——在 500 場投注中，出現連敗 8 次以上的概率超過 99%。連敗 8 次需要投注 $100 × 2⁸ = $25,600——超過了初始資金 $10,000，直接出局。
• 全凱利的中位數反而低於半凱利。這是最反直覺的結果。全凱利在理論上最大化「期望對數增長率」，但模擬的中位數（$31,400）卻低於半凱利（$48,200）。原因是：全凱利的波動率太高，導致大量路徑在中途大幅回撤，即使最終沒有達到破產線（$100），帳戶也縮水到幾千元的水平，之後的復原極慢。
• 半凱利在所有維度上都是最佳。終端財富中位數最高（$48,200）、Sharpe ratio 最高（1.82）、破產率只有 0.3%。它的「最差 5% 路徑」——也就是 1000 次模擬中表現最差的 50 次——終端財富仍有 $5,100，帳戶還活著。
• 固定 1% 是最安全的策略——破產率 0.0%，最差路徑 $8,200——但增長率最慢。如果你的勝率估計不穩定，或者你剛開始建立系統，固定 1% 是負責任的選擇。等你的系統有了 200+ 場的驗證紀錄，再逐步過渡到分數凱利。

7. 凱利公式的六大限制：估計偏差、胖尾與 Kelly Ruin

凱利公式是強大的工具，但它不是萬能的。以下六個限制決定了你在使用時必須有多謹慎。

① 估計偏差的不對稱放大

這是凱利公式最致命的弱點，前面已經用數字演示過。這裡補充一個更深層的數學直覺：凱利公式本質上是「你的優勢除以賠率」。當你高估勝率時，分子（edge）膨脹，而分母（odds）不變——投注比例的膨脹是線性的。但虧損的放大卻是指數的——連續兩次過度投注，財富縮水是乘法效應。

具體來說：如果你的勝率估計平均偏差是 ε，全凱利的增長率會從 G(f*) 降低到大約 G(f*) - ε²/(2b²)。注意是 ε² 項，代表即使是很小的偏差，累積效應也很顯著。

② 胖尾分佈（Fat Tails）

凱利公式假設每次投注的結果是二元的：贏或輸。在運彩中，讓分盤和大小分確實是二元結果，但勝率本身的分佈可能有胖尾。例如：你的模型在 95% 的時間裡估計偏差在 ±2% 以內，但有 5% 的時間因為未預見的因素（傷病未公開、球員內鬥、裁判偏判）偏差超過 10%。這 5% 的極端事件會導致凱利公式嚴重失準，因為公式的推導過程沒有考慮這種「估計偏差本身也有極端值」的可能。

Nassim Taleb 在相關討論中指出，胖尾環境下凱利公式會系統性地過度投注——即使用半凱利，如果你的模型在極端事件上的校準很差，仍然可能遭遇超出預期的回撤。

③ Kelly Ruin（凱利破產）

數學上，凱利公式是比例投注——帳戶越小投越少——所以理論上永遠不會歸零。但實務上有一個殘酷的現實：帳戶從 $10,000 跌到 $500 在數學上不是破產，但在實務上已經等同於破產。你需要 1,900% 的回報率才能恢復原狀，而且每次投注的金額（$500 的 3% = $15）已經低於大多數平台的最低投注限額。

Thorp (2006) 計算過：使用全凱利時，帳戶在某個時間點跌到最高點 50% 以下的概率是 50%。跌到最高點 10% 以下的概率是 10%。這些數字在數學上是精確的——全凱利的回撤分佈服從一個特定的概率法則，回撤幅度 d% 的發生概率恰好就是 d%。

④ 假設事件獨立

凱利公式假設每次投注是獨立事件。但在運動投注中，這個假設經常被打破：同一支球隊連續三場比賽，球員的疲勞是累積的；同一聯賽的多場比賽可能受到相同天氣的影響；你同時下注的多場比賽之間可能有共同的系統性因素（例如「本輪所有主場大熱門都被高估」）。當你同時下注多場相關比賽時，實際風險暴露會高於凱利公式各自計算結果的簡單加總。

⑤ 連敗期的心理壓力

即使使用半凱利，在連敗 8-10 場後（在 55% 勝率下，每年會出現多次），帳戶可能回撤 30-40%。數學上完全正常，但人的心理不是數學。Kahneman 的展望理論（Prospect Theory）告訴我們：同樣金額的損失帶來的痛苦，是同等金額收益帶來快樂的 2-2.5 倍。看到帳戶從 $10,000 縮水到 $6,000，大多數人會恐慌、放棄策略、開始追注，最終導致更大的損失。

⑥ 過擬合（Overfitting）風險

如果你用歷史數據訓練了一個模型來估計勝率，這個模型可能在歷史數據上表現完美，但在未來的比賽中失靈。這是機器學習中的經典問題——過擬合。使用過擬合的勝率估計去跑凱利公式，會得到過度自信的投注比例。

過擬合在運動投注中有一個特別狡猾的表現方式：你的模型在某個聯賽或某個賽季表現極好（回測 ROI +15%），你信心滿滿地把凱利係數從 1/4 調到 1/2 甚至全凱利——然後下個賽季風格丕變（新規則、新教練、關鍵球員轉會），模型的 edge 消失了。但因為你已經放大了投注比例，虧損的速度遠快於 edge 存在時的獲利速度。解決方法是使用交叉驗證、保留測試集、至少跨 2-3 個賽季的樣本外驗證，以及使用分數凱利來為模型的不確定性留出安全邊際。更深入的機器學習模型評估方法，可以參考運動預測模型完整解析。

應對策略總結

面對這六大限制，職業投注者的標準應對策略是「三道防線」：

1. 第一道：分數凱利——用 1/4 到 1/2 的係數，為勝率估計誤差買保險
2. 第二道：單場上限——無論凱利算出多少，單場不超過總資金的 5-10%
3. 第三道：總暴露上限——同一天所有未結算投注的總和不超過總資金的 20-30%

這三道防線層層遞進：分數凱利處理「估計偏差」問題，單場上限處理「極端 edge 高估」問題，總暴露上限處理「多場相關性」問題。三者缺一不可。

8. 實戰案例一：NBA 讓分盤

讓我們用一個完整的 NBA 場景把整套流程走一遍——從數據收集到最終的下注決策。（以下為示範用途的假設情境。）

步驟一：建立基線分差模型

步驟二：情境修正

步驟三：轉換為勝率估計

NBA 讓分盤的歷史覆蓋率大致服從常態分佈，標準差約 10-12 分。模型分差 +8.38 vs 盤口 -6.5 的落差為 1.88 分：

步驟四：凱利公式計算

步驟五：決策與風險評估

半凱利建議投入 4.98%。如果總資金 $10,000，投注金額約 $498。但在按下「確認投注」之前，做三個檢查：

1. edge 來源檢查：你的 edge 主要來自背靠背修正（+1.5 分）。問自己：這個修正有可能已經被盤口消化了嗎？盤口從開盤到現在移動了嗎？如果盤口已經從 -5.5 移到 -6.5，代表市場也看到了背靠背因素，你的 edge 可能已經消失。
2. 傷病確認：賽前 30 分鐘再確認一次傷病名單。NBA 的傷病報告會在賽前更新，一名重要球員的狀態變化可以改變 3-5 分的分差估計——完全足以翻轉你的投注方向。
3. 同日總暴露：如果你今天已經在其他 NBA 場次投入了 12% 的資金，再加 5% 就是 17%——接近 20% 的上限。考慮 NBA 同一晚的比賽之間可能存在的系統性因素（例如全聯盟的裁判尺度變化），需要更保守。

對 NBA 讓分盤的更深入分析框架——包括四因素模型、pace 效率計算、以及主場優勢的量化數據——可參考NBA 運彩分析完整教學。

9. 實戰案例二：足球三種盤口

足球是全球投注量最大的運動，盤口種類也比 NBA 豐富。以下用三個常見盤口示範凱利公式的應用。所有範例使用半凱利（coefficient 0.50）+ 10% 單場上限。

範例一：歐洲盤（1X2）— 利物浦 vs 紐卡索聯

8.6% 低於 10% 上限，可直接執行。想了解 xG 數據如何輔助勝率估計，可參考xG 預期進球數完整教學。

範例二：亞洲讓分盤 — 巴塞隆納 -1.5

4.2% 反映了兩件事：你的勝率估計（52%）相對保守，且讓分盤的高賠率代表這本身是一個較難贏的市場。

範例三：大小球 — 拜仁 vs 多特 大 3.5

6.9% 的投注比例反映了不錯的價值——你估計的 58% 明顯高於賠率隱含的 51.3%。Poisson 分佈在足球大小球預測中的應用，詳見Poisson 分佈完整教學。

10. 回測數據：凱利策略 vs 平注的歷史表現

理論和模擬可以給出方向，但真實市場的數據才是最終的檢驗。OddsForge 從 2026 年 Q2 開始公開了所有 AI 精選的回測數據，以下是截至目前 79 場已結算投注的策略對比結果。

10.1 全跟 79 場（不篩選信心等級）

10.2 只跟高信心場次（High Confidence）

10.3 策略路徑的差異

數字之外，理解各策略的「路徑」差異更重要。全凱利的資金曲線像是雲霄飛車——大漲大跌，連續贏的時候帳戶飆升讓你覺得自己是天才，連續輸的時候暴跌讓你質疑人生。半凱利的路徑平滑得多，最大的單日虧損也只有帳戶的 3-4%——心理上可以承受。固定 1% 的曲線幾乎像一條緩慢下滑的直線，沒什麼驚喜也沒什麼驚嚇。

一個常被忽略的面向是恢復時間。全凱利在 79 場中曾經連續回撤 47.7%（帳戶從 $10,000 跌到約 $5,230），即使之後開始回升，要恢復到原點需要大約 91% 的回報率。半凱利的最大回撤 29.1%（跌到 $7,090），恢復只需要 41% 的回報率。這個差異在實務上是決定性的：41% 可能兩三個月就能達成，91% 可能需要半年以上——而大多數人在三個月內就會因為心理壓力而放棄策略。

10.4 三個關鍵結論

1. 全凱利在真實數據中也是最差的。-45.5% ROI、47.7% 最大回撤——跟模擬結果完全一致。在含有 5% 莊家抽水的真實市場中，全凱利的過度投注會被抽水加速放大。
2. 篩選信心等級是關鍵。全跟 79 場全部虧損，但只跟高信心的 31 場就能打平甚至微正。這不是因為策略改了——是因為「不下注的決定」本身就是最重要的策略。凱利公式算出負值或極小值的場次，就不該下注。
3. ROI 為零是起點，不是終點。在一個含莊家抽水的市場中，能做到 ROI ≈ 0 代表你的勝率估計已經領先市場。隨著模型持續校準和數據累積，正 ROI 的空間會逐步打開。

完整的回測數據、每場投注明細與 dataset（CC-BY-4.0 授權）公開在凱利 vs 半凱利 vs 固定比例回測報告。歷史績效追蹤在每日精選戰報頁面。

11. AI 如何搭配凱利公式使用

通篇反覆強調的核心問題是：凱利公式的品質完全取決於勝率估計的品質。那麼，如何提高勝率估計的準確度和穩定性？這正是 AI 能發揮最大價值的地方。

人工估計 vs AI 估計的根本差異

人工估計勝率有三個系統性問題：

• 認知偏誤：近因偏誤（過度權重最近幾場的結果）、錨定效應（被賠率數字錨定而不是獨立估計）、可得性偏誤（記得住的比賽比實際代表性更高）
• 處理能力：人腦一天頂多認真分析 3-5 場比賽，而一個週末可能有 50+ 場值得關注的比賽
• 一致性：同一個人在不同情緒狀態下，對同一場比賽的勝率估計可能差 5-10 個百分點

AI 模型（如 OddsForge 的五信號融合引擎）可以同時處理多維度的數據——24 家莊家即時賠率、賠率走勢變化、球隊效率值、傷兵名單、歷史模式匹配——且每次都用同一套邏輯產出估計，不受情緒影響。這不代表 AI 一定更準，但它的估計更穩定——而穩定性對凱利公式至關重要，因為公式的推導假設你每次都用同樣的方法估計勝率。

AI + 凱利的實際操作流程

1. 在 OddsForge 每日精選頁面查看 AI 推薦，注意信心等級標註
2. AI 引擎以五信號融合分析輸出各結果的概率估計和建議的凱利比例
3. 只關注高信心標記的場次——前面的回測已經證明，不篩選就全跟的結果不好
4. 套用半凱利 coefficient 和 10% 單場上限，檢查同日總暴露不超過 25%
5. 記錄每筆投注的完整資訊：日期、盤口、AI 概率、你的調整、注碼、結果

AI 的局限性與分數凱利的必要性

AI 不是萬能的。以下是 AI 預測仍然存在的不確定性來源，也是為什麼即使用了 AI，仍然必須搭配分數凱利：

• 訓練數據的時效性：AI 模型的訓練資料有截止日期。規則改變（例如 NBA 的挑戰制度調整、足球的半自動越位技術引入）、球員轉會、教練更替——這些結構性變化會讓歷史模式部分失效。模型需要持續更新和重新校準。
• 資料源延遲：AI 對「賽前 30 分鐘公布的輪休消息」或「更衣室衝突」等突發資訊的反應速度，取決於資料源的更新頻率。莊家通常在 5 分鐘內調整盤口，而你的 AI 可能要等到下一次資料更新才看到。
• 市場效率的提升：越來越多的職業投注機構也在使用 AI——這意味著市場定價的效率在不斷提升，可利用的 edge 在逐年縮小。五年前 5% 的 edge 可能很常見，現在 2-3% 已經算是不錯的機會。
• 黑天鵝事件：AI 擅長處理「歷史上出現過的模式」，但對「史無前例的事件」（球員受傷導致的戰術重組、聯賽突然停賽、極端天氣）的預測能力接近零。這些事件雖然罕見，但每年都會出現幾次。

正因為這些不確定性的存在，AI + 半凱利（或 1/4 凱利）是目前學術界和業界的共識最佳實踐。AI 提升了勝率估計的品質和穩定性（提高頻道容量），分數凱利為剩餘的估計誤差提供了安全邊際（容錯空間）。兩者缺一都會顯著降低長期結果。

想了解更多 AI 預測模型的技術細節，可參考機器學習運動預測深度解析和AI 信心分數實證研究。

12. 常見問題（FAQ）