EV 計算例子
若模型估算勝率為 25%，十進制賠率為 5.0，簡化 EV 為 0.25 × 5.0 − 1 = 0.25，即每單位理論期望回報為 +0.25。若真實勝率其實只有 15%，同一價格的 EV 會變成負數。
| 示例 | 模型勝率 | 十進制賠率 | 簡化 EV |
|---|---|---|---|
| A | 25% | 5.0 | +0.25 |
| B | 40% | 2.0 | −0.20 |
純屬算式示例，假設模型機率準確，並未計入彩池抽水、價格變動、下注限制或執行成本。
為何高勝率不等於高期望值？
熱門選項可以有較高勝率，但價格可能已充分反映甚至高估其機會。相反，較低勝率選項只有在價格相對其真實機率足夠高時，才可能出現正期望。
Sigma 的觀點
EV 應連同模型校準、時間戳、市場抽水和下注規則解讀。沒有可信概率估算的 EV 只是把不確定數字放進公式，不能因計算結果為正便視為證據。
估算誤差如何改變 EV？
EV 對機率誤差非常敏感。模型把 18% 的真實機會估成 25%，在賠率 5.0 時會把原本 −0.10 的簡化 EV 錯看成 +0.25。模型看似只相差七個百分點，結論方向卻完全相反。
因此 EV 分析不能只展示最終正數，還要說明概率如何估算、是否校準、價格在哪個時間取得，以及敏感度範圍。Sigma 不把模型與市場的單次差距直接稱為可執行優勢。
由理論 EV 到可核對評估
長期評估應先固定規則，再保留每一次候選項，包括未勝出的觀察。回測、樣本外測試和即場記錄應分開報告，避免用同一批資料選規則又證明規則。還要列出下注時點、可得價格、未成交或價格變動的處理。
若沒有這些欄位，EV 只是算式，不是已證實回報。對公眾頁面而言，最重要的是讓讀者能重算輸入和看見限制，而不是用一個百分比代替整套證據。