賭馬方程式(horse racing betting system)是指用統計模型計算每匹馬的勝出概率,再與馬會公布的賠率比較,只投注被市場低估的馬匹。它不是貼士,而是一套把數據、模型與注碼管理結合的系統。1990 年代,美國人 William Benter 與 Alan Woods 正是用這種方法,在香港賽馬彩池贏得接近 10 億美元。[3]

🎯 賭馬方程式的三個部分
[ 編輯 ]一套完整的賭馬方程式,通常包括三部分:估算勝率、比較賠率、決定注碼。
估算勝率:把馬匹的往績、血統、負磅、檔位、騎師、練馬師、場地狀況等變數輸入模型,輸出每匹馬的勝出概率。Benter 的模型後期監察的因素超過 120 個。
比較賠率:香港採同注分彩(parimutuel),賠率由彩池注碼決定,不是由莊家開出。當模型計出的概率高於賠率隱含的概率,即代表該匹馬被市場低估,值得下注。[3]
決定注碼:即使有優勢,注碼太大會在一次失常中破產,太小則浪費優勢。Benter 採用 John Kelly Jr. 在 1950 年代提出的凱利準則(Kelly criterion),按邊際優勢比例決定注碼。[3]
🧮 模型怎樣結合「公眾賠率」
[ 編輯 ]Benter 在 1995 年發表的論文《Computer Based Horse Race Handicapping and Wagering Systems》,是這套方法最完整的公開文獻。他描述用 logit 模型,把「基本面模型」計算出的勝率,與「公眾賠率隱含的概率」結合,得出最終估計。[1]
論文報告連續五年實戰均錄得正回報,並將結果解讀為同注分彩市場存在效率不足的證據。[1]論文亦指出,單靠基本面因素並不足夠——公開賠率本身已包含大量資訊,模型必須把賠率當作其中一個輸入變數,才能校正自己的偏差。

💸 為甚麼要贏過 17.5%
[ 編輯 ]同注分彩的特點是:所有投注者共同分配同一個彩池,馬會先抽取一定比例。按馬會公布,獨贏、位置、連贏、位置Q 及孖寶的派彩比率為 82.5%,即抽水 17.5%;三 T 的派彩比率為 75%,另需扣除彩池的 7.5% 作多寶儲備。[2]
換句話說,投注者整體的期望回報是負 17.5%。一個賭馬方程式要有利潤,模型的預測準確度必須高到足以蓋過這 17.5% 的抽水——這正是大多數「貼士型」系統做不到的地方。
📜 由拉斯維加斯到跑馬地
[ 編輯 ]Benter 原本在拉斯維加斯以 21 點算牌為生,1980 年代被賭場列入黑名單後,與澳洲精算師 Alan Woods 合作,轉向賽馬。[3]1985 年,Benter 帶同電腦移居香港,建立賽馬模型。
首個賽季並不順利:15 萬美元本錢輸掉 12 萬,一年內與 Woods 分道揚鑣。[4]調整模型後,他發現最關鍵的一步是以馬會公布的公開賠率作為起點,1990 至 1991 年度賽季終錄得約 300 萬美元利潤。[4]
1995 年論文發表後,這套方法逐漸為人認識。1997 年,團隊贏得三 T 巨獎,該季利潤超過 5,000 萬美元;香港賽馬會一度凍結其投注戶口,其後雙方達成協議。[3][4]
🎫 2001 年三 T:51,381 注與一張沒有兌現的彩票
[ 編輯 ]2001 年 11 月 6 日,跑馬地馬場的三 T 彩池累積至至少 1 億港元,超過 1,000 萬個組合,之前已連續六次無人中。當晚約有 100 萬人投注,相當於每七名香港居民便有一人下注。[3]
Benter 的電腦程式在該晚共投注 51,381 注。賽後程式逐注過濾,最後剩下 36 注仍然有機會:其中 35 注在兩關中賽,可獲安慰獎;1 注九匹馬全部中。最終派彩約 1,600 萬美元。[3]
Benter 與拍檔 Paul Coladonato 商議後,決定不領取獎金。他認為這樣做「不夠體育精神,自己會唔舒服」,兩人把三張中獎彩票鎖入夾萬,只拍照留念,彩票其後一直沒有兌現。[3]
🎓 本地案例:中大教授的方程式與官司
[ 編輯 ]2016 年 2 月,東方日報報道一宗高等法院案件,罕有地披露本地職業賭馬集團的運作。[5]原告 Bruce James Stinson 自 2004 年起與被告、中文大學統計學系教授顧鳴高合夥,以包含往績數據及方程式的數學模型在港賭馬:顧與其團隊負責研發模型,原告負責提供資金及尋找投資者,雙方協議模型屬合夥生意,不得出售或與他人分享。[5]
該模型會計算每場賽事各出賽馬匹的獨贏、位置、連贏及位置Q 得勝機率。初期未見成效,但自 2008 年起持續準確預測賽果並贏錢,至 2011 至 2012 年馬季已贏得近 2,700 萬元。[5]
兩人其後出現不和:原告指顧私下用同一模型賭馬,顧則稱自己賭多少毋須與原告商討,並於 2012 年 7 月以擔心要做商業登記為由決定拆夥。[5]顧只交出自己於 2011 至 2013 三個馬季、逾 1,900 頁的賭馬紀錄;紀錄顯示他贏得 5,600 萬元,集中投注連贏及位置,投注額是兩人合夥投注額的三倍。[5]
高院最終下令馬會向原告交出顧另外四個馬季的賭馬紀錄。馬會在中途指出,其投注戶口超過 200 萬個,每個賽馬日利用投注戶口投注的數目逾 700 萬次。[5]案件編號 CA 2352/2012。
🛡️ 馬會的反制與市場變化
[ 編輯 ]Benter 的成功改變了市場。他 2007 年退出香港後,本地陸續出現多個類似集團;香港賽馬會亦開始在網站公布大量技術數據與分析,並在賠率板上以顏色標示大額投注,某程度上拉近了散戶與職業集團的資訊差距。[3]
不過,彩池結構與抽水比率並沒有因此改變,這亦解釋了為何同注分彩市場的整體回報仍然是負數。
🤖 今天的賭馬方程式
[ 編輯 ]今日的版本已由單機程式演化為團隊運作:雲端運算、機器學習模型、即時賠率擷取,以及自動投注接口。不過,模型亦會隨市場效率提升而失效,需要不斷更新;當同一批人都在用相似模型,邊際優勢自然收窄。
另一個現實是法律限制。在香港,所有賽馬投注必須經香港賽馬會進行;外圍投注、操縱賽果均屬違法。坊間大量流傳的「必勝方程式」,絕大部分沒有公開的實戰紀錄可供驗證。
🧠 神經網絡與未來預測
[ 編輯 ]近十年,機器學習已由輔助工具變成賽馬賠率的其中一個定價力量。有綜述指出,自 1980 年代起機器學習已廣泛用於賽馬預測,而深度學習(神經網絡)可能進一步改變整個行業的分析方式,甚至延伸到馬匹本身的理解。[8]
神經網絡的強項是處理高維度、非線性關係:例如把馬匹過往每段的段速、跑法、負磅、檔位、場地偏差等數百個變數一併輸入,讓模型自行找出交互作用,而不必事先指定公式。這正正補足了傳統 logit 模型需要人手設定變數的弱點。[1]
但賽馬數據有兩個先天限制:樣本少(每季只有數百場,每場十餘匹馬)與雜訊高(意外、受阻、狀態起伏)。神經網絡參數多,很容易「記住」歷史雜訊而不是學到規律,即過度擬合(overfitting)。因此實務上必須用嚴格的时间切分驗證、正則化,以及大量特徵工程。[8]
另一條路線是把預測與注碼管理結合。2023 年有研究用深度神經網絡預測英格蘭超級聯賽賽果,再配合現代投資組合理論與凱利準則分配注碼,報告在 2020/21 球季下半季錄得相對初始資金 135.8% 的回報。[9]不過,學術回測與真實市場仍有距離:賠率會因自己的注碼變動、投注限額、封戶,以及市場效率提升,都會侵蝕回報。
對賽馬而言,神經網絡最實際的用途未必是「直接預測邊隻馬贏」,而是:賠率走勢預測、賽駒狀態評估(影像與步態分析)、自動化特徵工程,以及協助人類檢視模型忽略了的變數。
🔗 相關條目
[ 編輯 ]- William Benter — 賭馬方程式的代表人物,團隊累計贏近 10 億美元
- Alan Woods — Benter 早期拍檔,負責資金與數據收集
- 凱利公式 — 按優勢決定注碼的數學基礎
- 賽馬組織目錄 — 香港賽馬會及相关機構
❓ 常見問題
[ 編輯 ]問:賭馬方程式犯法嗎?
答:在香港,經香港賽馬會投注本身合法;但外圍投注、操縱賽果、無牌收受賭注均屬違法。使用統計模型分析賽事並不違法。
問:為甚麼大部分人最終都輸?
答:因為彩池要先抽水。以獨贏為例,派彩比率 82.5%,投注者整體的期望回報是負 17.5%;長期投注而沒有優勢,結果必然是輸。
問:普通人可以複製 Benter 的方法嗎?
答:技術上可以,但門檻很高——需要大量歷史數據、自建模型、嚴格注碼管理,以及足以蓋過抽水的預測準確度。Benter 的團隊在 1980 年代已投入電腦與全職人手。
問:三 T 是甚麼?
答:三 T 要求投注者選中指定三場賽事每場的前三名馬匹(不分次序),組合數目龐大,無人選中時彩金會累積至下一次賽事。
📚 參考資料
[ 編輯 ]- Benter, W. (1995). Computer Based Horse Race Handicapping and Wagering Systems: A Report(PDF)
- 香港賽馬會:彩池派彩比率及投注指南
- The Straits Times / Bloomberg:The gambler who cracked the horse-racing code in Hong Kong(2018)
- 香港01:馬場賭神憑「賭馬方程式」智贏 78 億(2018)
- 東方日報:中大教授夥金主賭馬 三個馬季贏 5,600 萬(2016-02-27)
- 中佬TV:數據公式,可以贏走馬會 10 億嘅賭馬方程式(影片)
- Gambler Madness:賭馬方程式文章彙集(博客)
- What AI can do for horse-racing?(arXiv, 2022)
- Sports Betting: neural networks and modern portfolio theory(arXiv, 2023)