01 朋友天天曬紅單，我決定用數據說話
事情起因是同學群組。上個月開始，有個老同學每天在群組裡曬競彩紅單，兩日紅一日黑，紅的時候特別高調，黑的時候裝作看不見。我問他總體賺了沒，他回我一句「別算帳，算帳就沒意思了」。這話我熟——所有不肯算帳的事情，帳一般都不太好看。
我沒急著反駁他。正好，這是我手上 MuchSci「編程」功能還沒正經測過的場景：讓 AI 寫一個像樣的賽事預測模型，用公開賽果回測，再紙上跟幾輪，看看「AI 預測足球」這件事的真實成色。數據是公開的，模型是教科書級的，結論不用猜，跑一遍就知道。
▲ 圖 1｜把問題交給 MuchSci，把時間還給研究——這次我的「問題」是：一個泊松模型，到底能不能贏過亂猜
先把立場寫在最前面：這篇不教人買彩票，全程紙上模擬，我沒有花一分錢。這篇要回答的問題只有一個——AI 寫出來的預測模型，到底是個什麼水平。答案在第四節，不太體面，但很值錢。
02 讓 AI 寫個泊松模型：10 分鐘出第一版
數據用的是公開渠道能查到的英超 2025-26 賽果：每場一行，主隊、客隊、主隊入球、客隊入球。我把 CSV 丟進對話，要求寫得明確：用兩隊近 10 場的場均入球/失球算進攻/防守強度，推出各自的預期入球 λ，再用泊松分佈算出 0:0 到 6:6 每個比分的概率，匯總成勝、和、負三向概率。
10 分鐘出了第一版腳本，跑得挺快——然後我就發現它錯了。它把「主隊入球」和「客隊失球」當成兩個獨立資訊重複計了一次強度，λ 雙重計入，主勝概率全部飄在 70% 以上。我把口徑寫成註釋讓它重跑，第二版才正常。
▲ 圖 2｜泊松模型的核心輸出：主隊預期入球 λ=1.8，最可能的單場入球數是 1 和 2；客隊 λ=1.1，最可能是 1。整場比賽每個比分的概率，就是這兩條分佈相乘算出來的
這個分佈有什麼用？把主隊入 k 球的概率和客隊入 j 球的概率相乘，就得到每一個比分的概率；再把所有主隊入球多的比分加起來，就是主勝概率。聽起來很粗糙——它確實粗糙，足球不是獨立事件的紅白球——但它是所有賽事模型的起點，足夠當這次實測的主角。
▲ 圖 3｜模型對一場比賽的輸出：主勝 53%、和局 22%、客勝 25%。最扎心的是底部那行——市場賠率 1.88 隱含的主勝概率也是 53%，模型和市場想到一塊去了
模型能算出「誰更可能贏」，算不出「賠率有沒有給夠」——而後者才決定你能不能賺錢。
第三張圖是整個實測裡我最意外的一張。我以為模型算出來的概率會是獨家情報，結果它和市場賠率幾乎重合。賠率是全市場真金白銀投出來的概率，一個用入球/失球平均數搭起來的泊松模型能跟它對上大方向，說明模型「沒毛病」；但也說明，它知道的，市場早就知道了。
03 回測 240 場：比亂猜強，但沒強過市場
光看一場不算數。我讓 AI 加了個回測腳本：把 2025-26 賽季前 240 場按時間順序餵給模型——每場只用之前的歷史數據算 λ，輸出三向概率，取概率最高的一項當預測，跟真實賽果對答案。怕有運氣成分，同一套流程我讓它跑了三遍取平均：
▲ 圖 4｜240 場回測：純隨機命中 33%（79 場），泊松模型 47%（113 場），市場賠率隱含 51%（122 場）。模型比亂猜強 14 個百分點——但離「能賺錢」還差著關鍵的一截
47% 這個數字怎麼讀？好消息：它明顯高於亂猜的 33%，說明模型確實從數據裡學到了東西。壞消息有兩層：一是離市場還差 4 個點——賠率裡集合了傷停、狀態、賽程動機這些我模型裡沒有的資訊；二是 47% 的命中配上競彩的賠率結構，大概率是虧的，第四節會用真實數據驗證。
回測之外，我讓它把每輪預測整理成一份報告，模擬實際使用的樣子，長這樣：
▲ 圖 5｜每輪跑出來的預測報告（界面為示意，結論按回測與模擬記錄整理）
這個報告我最看重的是側欄那行小字：它只能看到賽果數據，看不到世界。足球比賽的結果裡藏著大量模型永遠拿不到的資訊——誰受傷了、誰在護級、誰下週要打歐洲賽事把主力歇了。市場賠率之所以難贏，就是因為這些東西全被買進價格裡了。
04 紙上實戰 5 輪：命中率 48%，收益 -7.8%
回測是歷史，實戰才是照妖鏡。規矩定好：每輪從模型輸出裡挑置信度最高的 5 場，每場紙上 10 元，按競彩當期賠率記帳，跟 5 輪共 25 場。不碰真錢，全按真實賠率算：
▲ 圖 6｜5 輪紙上跟單的累計收益率：第 1 輪 +12% 飄了，第 3 輪連錯三場高賠直接砸到 -21%，最終收在 -7.8%。25 場命中 12 場（48%），錢是負的（示意記錄，賠率按當期官網）
過程比結果有意思。第 1 輪 3 中 1 小虧變盈利，帳面 +12%，我差點就把「模型靠譜」寫進標題了。然後是第 3 輪：三場 2.3 以上賠率的「高價值場次」全黑，一夜回到解放前。復盤帳本發現一個特別工整的規律——命中的全是 1.5 到 1.7 的低賠，虧掉的全是 2.3 以上的高賠。模型看對比賽的次數不少，可惜看對的那幾場，賠率都沒給夠。
這不是模型不行，是數學不行：競彩的賠率裡已經抽走了返還率，命中 48% 配上這個賠率結構，長期期望就是負的。我同學兩個月「看起來在紅」，把黑的日子算進去，大概率跟我這本帳同一個顏色。這也是我把這篇寫出來的真正原因——模型把「感覺」變成了「概率」，概率把幻想變成了帳本，帳本是冷的。
05 先說清楚：這幾個地方它真的幫不上忙
五輪跑完，把三個硬限制擺在檯面上。
① 它看不到新聞，只看得見賽果。模型的世界裡只有比分，沒有傷停、輪換、護級動機。5 輪裡兩次明顯的翻車，都是主力門將缺陣這種「賽前新聞一目了然、賽果表裡永遠沒有」的資訊。想補這一塊，得自己加數據源，工程量翻幾倍。
② 數據要自己找、自己洗。公開賽果好找，但口徑很亂：有的源把中立場算成主隊，盃賽和聯賽混在一起，加時算和局還是分勝負各說各話。第一版腳本就是在「客隊失球重複計入」這種口徑問題上翻的車。洗數據花的時間，比寫模型多。
③ 它給的是概率，不是答案。47% 命中意味著超過一半的場次模型是錯的。連對 5 場之後，接下來大概率是均值回歸，不是「手感來了」。把模型的輸出當成「今晚買哪場」的答案，是對它最嚴重的誤用——它只能告訴你一件事在多大比例上發生，不能告訴你這一次發不發生。
那這東西到底什麼時候值得用？結論直接放這裡：
✓ 值得用的場合：想系統練「數據分析 + 讓 AI 寫模型」的人——足球賽果數據公開、免費、樣本量大、答案馬上揭曉，是練回測方法的好題材。這篇裡用的泊松、回測、口徑核對，換到銷量預測、用戶留存上一樣能用。
✗ 不適合的場合：想靠它穩賺的人——模型不比市場聰明，賠率長期抽水，期望為負是數學不是觀點；以及想問「今晚買哪場」的人——這篇沒有答案，也不應該有。命中率和收益率是兩回事，這篇 48% 對 -7.8% 就是證據。
如果只給一句實際建議：把彩票當娛樂預算，把模型當練習題。這五輪我最大的收穫不是那本虧 7.8% 的帳，是我現在能一眼看出「某某 AI 預測勝率 90%」這類話術的問題出在哪——回測區間沒說、樣本量沒說、賠率結構沒說。數據素養這東西，練一次就值回票價。
合規與邊界聲明
1. 本文全程紙上模擬，未進行任何真實投注，文中金額為模擬記帳。
2. 文中模型、概率與「預測」均不構成任何投注建議；彩票長期回報期望為負，請把它當娛樂消費。
3. 未滿 18 歲不得購彩。理性購彩，量力而行。
賽果與賠率為公開渠道資訊整理，回測與跟單數據為示意呈現，模型輸出以實際腳本運行為準。功能描述以當期版本為準。
---
本文為個人使用流程記錄。競彩預測模型基於公開賽果數據構建，僅用於演示「數據 → 模型 → 回測」的分析方法，不構成任何投注建議或收益承諾；文中回測與實戰數據為示意呈現，全程紙上模擬、未真實投注。彩票長期回報期望為負，未滿 18 歲不得購彩，理性購彩、量力而行。功能描述以當期版本為準。