AI 可以分析哪些香港賽馬資料？
可量化資料通常包括往績、路程、場地、班次、檔位、負磅、步速及市場賠率。模型把每個觀察轉化為特徵，再學習這些特徵與歷史結果之間的關係。
並非所有可取得的欄位都應加入模型。資料洩漏、缺失值、定義改變及樣本偏差都可能令回測看似理想、實際表現卻不穩定。
機率與「預測貼士」有何不同？
機率是對不確定性的量化。例如模型給出 20% 勝率，不代表該馬今場必勝或必敗；若同類估算長期校準良好，約五次相近情況可能出現一次勝出。
因此評估 AI 模型時，應查看大量樣本的校準、Brier Score、Log Loss 和基準比較，而不是只展示命中的場次。
Sigma Quant 如何控制過度承諾？
Sigma Quant 以模型輸出作決策支援，頁面保留時間戳、風險提示和方法說明。任何回測或表現數字都應清楚標示評估期、樣本量及是否屬於樣本外或即場預測。
- 不使用「保證獲利」或「必中」陳述
- 區分模型機率與市場機率
- 公開資料更新時間和限制
- 以長期評估取代選擇性展示賽果