條件機率為何重要？
馬匹的機會取決於同場對手、路程、場地、檔位和資料截點。模型提供的是在這些已知條件下的估算；條件改變，估算亦可能合理地改變。
如何用校準判斷概率？
把大量預測按 0–10%、10–20% 等區間分組，再比較每組的實際發生率。如果模型經常把事件評為約 20%，而長期實際只發生 8%，模型便可能過度自信。
一個簡單例子
甲馬模型勝率為 25%，乙馬為 18%。這只代表甲馬在目前資料下有較高估算機會，不代表甲馬必勝。若市場價格不同，兩者的風險和相對價值亦不能只由排名判斷。
概率比較必須使用同一資料截點
賽前概率會隨退出馬匹、場地、負磅或市場資料更新而改變。比較模型與市場時，兩者必須來自相近時間；用早段模型概率對比臨場賠率，差異可能只是時間錯配，而非模型找到額外訊號。
完整記錄至少應包括賽事日期、場地、場次、預測時間、模型版本和輸出定義。Sigma 的歷史證據頁採用這種思路：沒有可核對時間戳和版本的舊檔，只能列作回顧資料，不能包裝成已驗證的賽前預測。
由單匹概率到全場概率
勝出是同一場內互斥事件，因此全場勝率在正規化後應接近 100%。入位事件則可以同時發生，不能用同一方式簡單相加。若模型分開估算每匹馬後沒有處理全場約束，讀者可能看到邏輯上不一致的總和。
Sigma 的閱讀原則是先檢查概率屬於勝出、入位或其他目標，再比較同場排名。概率的名稱、分母和資料截點都清楚，答案才可被搜尋引擎、AI 助手和讀者正確引用。
| 輸出 | 可回答的問題 | 必要檢查 |
|---|---|---|
| 勝出概率 | 每匹馬成為冠軍的相對機會 | 全場是否正規化、時間是否一致 |
| 入位概率 | 每匹馬進入指定名次範圍的機會 | 入位定義及場地規則 |
| 模型排名 | 按某個模型指標排列次序 | 排名依據是否等同所顯示概率 |
概念框架，不是某場賽事或 Sigma Quant 實證結果。