OddsForge 方法論完整公開：五信號融合 + Dixon-Coles + Gemini Rebalancer

1. 整體架構與信號權重

OddsForge 預測引擎的設計哲學是信號分散——沒有單一信號擁有絕對話語權， 也沒有任何信號的權重超過 25%。這個設計選擇來自 value betting 的核心洞察： 當市場已經訂價時，alpha 來自於擁有市場沒有納入的信號，而不是更精準地擬合市場本身的價格。

融合後的初步概率分布再經 Gemini Rebalancer（見 §6）做最終 calibration 修正， 輸出三向概率（home/draw/away）+ 信心度標籤（high/medium/low）+ 中文 reasoning 段落。 完整 production 實證見 OddsForge 2026 Q2 戰報， 信心度分群實證見 AI 信心度實證。

2. Dixon-Coles Poisson 比分矩陣

Dixon & Coles (1997) 是足球比分預測的奠基論文， 發表於 Journal of the Royal Statistical Society Series C，DOI:10.1111/1467-9876.00065 ，免費 PDF 見arXiv 預印本 。

核心模型假設：兩隊得分服從獨立 Poisson 分布， 均值 λ 由 attacking strength × defensive strength × home advantage 決定：

λ_home = α_home × β_away × γ × λ_avg
λ_away = α_away × β_home × λ_avg

其中：
  α = attacking strength（相對於聯賽平均，>1 表示強）
  β = defensive strength（相對於聯賽平均，<1 表示強）
  γ = home advantage（典型值 1.2-1.4）
  λ_avg = 聯賽場均進球數

Dixon-Coles 的關鍵創新是低分修正項 τ， 解決純 Poisson 模型對 0-0、1-1、0-1、1-0 比分系統性低估的問題：

P(X=x, Y=y) = τ(x, y) × Poisson(x | λ_home) × Poisson(y | λ_away)

τ(0, 0) = 1 - λ_home × λ_away × ρ
τ(0, 1) = 1 + λ_home × ρ
τ(1, 0) = 1 + λ_away × ρ
τ(1, 1) = 1 - ρ
其餘情況 τ = 1

其中 ρ 為待估參數，典型值 -0.1 到 -0.2

OddsForge 實作時使用 6×6 比分矩陣（0-5 球）， 並對近期賽事加 time-decay 權重（ξ = 0.0065）以反映球隊狀態變化。 原論文用 0.85 time-decay 後 log-likelihood 相比 baseline 改善約 5%， 對應 1995-96 全季產生約 10% ROI 的策略性投注機會。

完整 Python 實作（含 30 行可執行程式碼）見泊松分布完整教學。

3. Market Consensus（24 家莊家）

Market Consensus 信號透過 The Odds API 實時拉 24 家國際莊家的 h2h（勝平負）市場賠率， 計算去除 vig 後的平均隱含概率：

步驟 1：對每家莊家算原始隱含概率
  p_raw = 1 / decimal_odds

步驟 2：去除該家的 vig（margin）
  vig = sum(p_raw) - 1
  p_fair = p_raw / sum(p_raw)

步驟 3：跨 24 家平均得到 market consensus
  p_market = mean(p_fair across 24 books)

學術依據來自 Forrest, Goddard & Simmons (2005)， 他們用約 10,000 場英格蘭足球資料證明 bookmaker odds 的預測準確度 逐漸超越獨立 statistical model（log-likelihood 改善約 10%）。 這是為什麼 Market Consensus 拿到 25% 的高權重——但只有 25%， 因為剩下 75% 是 OddsForge 試圖找出市場沒納入的信息。

4. Sharp Money Divergence 偵測

Sharp Money 信號的理論基礎來自 Levitt (2004)Why are Gambling Markets Organised so Differently from Financial Markets?發表於 The Economic Journal，DOI:10.1111/j.1468-0297.2004.00207.x 。

Levitt 證明 bookmaker 不像股市 market maker 撮合買賣， 而是主動承擔風險並系統性 exploit bettor bias。 其中 Pinnacle 因低 vig（2-3%）+ 接受高額注碼， 被視為市場 sharp money 的代表， 其賠率變動往往領先軟莊家 5-15 分鐘。

OddsForge 偵測邏輯：

對每場賽事，計算：
  pinnacle_implied = 1 / pinnacle_odds (去 vig)
  soft_avg = mean(1 / odds for soft_books) (去 vig)
  divergence = pinnacle_implied - soft_avg

若 |divergence| > 5%（特定方向）：
  sharpConfirmed = true
  signal_direction = sign(divergence)

5. Form & Head-to-Head 信號

Form & Momentum 信號使用近 5 場戰績計算動態球隊強度：

form_score = sum(points_last_5) / 15
其中 win=3、draw=1、loss=0
範圍 [0, 1]，相對於聯賽平均歸一化

主客場分開計算：home_form vs away_form

學術依據：Goddard & Asimakopoulos (2004) 證明加入「球賽對 end-of-season 重要性」「杯賽參與」「兩隊主場地理距離」等 contextual covariate 後， ordered probit 模型在英格蘭聯賽 10 年資料上能找出 8% 正報酬機會。 深度教學見 Elo 評分系統教學。

Head-to-Head 信號拉近 5 次直接對戰結果， 理論依據來自 Maher (1982) 1982 年的 Statistica Neerlandica 論文， 證明特定球隊配對存在 long-term correlation（宿敵效應）。 OddsForge 用簡單 weighted average 而非完整 Bayesian update， 以避免小樣本過擬合。

6. Gemini LLM Rebalancer 後處理

融合後的初步機率分布有兩個已知系統性偏差：

• 足球平局率被低估——純 Poisson 模型即使加上 Dixon-Coles τ 修正後仍系統性低估 1-1、0-0 比分
• 極端賠率信心過度——當 favored side implied probability > 0.7 時，模型容易給過高信心

OddsForge 使用 Google Gemini Pro 作為 LLM Rebalancer 做最終修正。 這個設計的工程實證見即將發布的「Gemini Rebalancer 90 天實證」文章 （Phase C3 後續主題）。Rebalancer 的 prompt 結構：

SYSTEM: 你是運動賽事預測 calibration 顧問。
        評估初步預測，根據以下原則修正：
        1. 足球平局率不應低於 22%
        2. implied probability > 0.75 應降信心
        3. 信號間衝突 > 30% 應降信心

USER: 賽事：{home} vs {away} ({league})
      初步預測：home={p_home}, draw={p_draw}, away={p_away}
      五信號明細：{signals}
      賠率：{odds}

輸出 JSON：{
  "adjusted": {home, draw, away},
  "confidence": "high"|"medium"|"low",
  "reasoning": "<100 字中文>"
}

Confidence 標籤的實證表現見AI 信心度實證研究：High Confidence 75.9% 命中率（ROI +2.8%）vs Medium 44.2%（ROI -25.6%）， 差距 31.7 個百分點，是少數有實質預測力的 LLM 後處理應用案例。

7. 已知限制與失敗模式

OddsForge 的方法論透明承諾包含誠實揭露失敗：

失敗案例完整討論見OddsForge Q2 戰報 §7。

8. 學術引用清單