賽馬圈有許多流傳的說法。我們有數據庫，所以不必靠相信——逐條驗證。 這一頁不是供你選馬之用，而是說清楚我們相信什麼、為什麼。
| 組別 | 實際勝率 | 市場預期 | z |
|---|---|---|---|
| 內檔 1–4 | 10.7% | 10.2% | +1.06 |
| 中檔 5–8 | 7.7% | 8.0% | -0.58 |
| 外檔 9 以上 | 6.0% | 6.1% | -0.35 |
內檔勝率是外檔的接近兩倍（10.7% 對 6.0%），所以「內檔有利」 這句完全是真的。但三組的 z 都在 ±1 以內——賠率一早已經將檔位計晒落去。
換言之：知道內檔有利，對你並沒有幫助，因為人人都知道。 這就是「真」與「有用」的分別。
| 組別 | 實際勝率 | 市場預期 | z |
|---|---|---|---|
| 尾段最快但未入前三 | 10.6% | 9.5% | +0.66 |
| 尾段最快且入前三 | 16.8% | 15.9% | +0.55 |
| 其餘 | 7.5% | 7.7% | -0.59 |
每匹馬看牠下一仗是否勝出。若與「隨機選一匹」比較，第一組是 10.6% 對 7.9%，看似 1.34 倍，十足一個發現的樣子。但尾段最快的馬本來就是好馬，一對照賠率便什麼都不剩。
晨操數據 2026-10-10 才接入，而馬會這幾個頁面過期即失效， 歷史無法回補——所以只能由那天起逐日累積。
目前只有一個賽馬日：最快的一匹命中 2/11，隨機期望 0.91（p ≈ 0.23）； 平均名次分位 0.494（0.5 = 完全沒有資訊）；場內 Spearman +0.081 ± 0.099。 三個量度方法一致——看不出作用，但樣本也不足以說它沒有用。估計要 12–16 個賽馬日先分得出。
每個賽馬日的核對放在複盤頁 →
同樣的紀律套用在我們自己的模型上一樣成立：融合模型相對公眾賠率的增量 實測 ΔR² ≈ 0（939 場、兩層樣本外）。模型自身的 R² 有 0.0555， 看起來不算差——但模型自身的分數分辨不出它有沒有價值。 Benter 1994 一文中有個反例：一個記者貼士模型自身的 R² 是 0.1014， 與他的基本面模型 0.1016 幾乎一樣，但增量只有 0.0002。
所以本站不提供任何概率數字，直到 ΔR² 超過 0.01。