怎樣量化賠率變化？
常見方法包括百分比變化、對數賠率變化及正規化隱含機率變化。每種方法都要處理極端賠率、退出馬匹和不同彩池深度。
最常見的研究偏差
只觀察勝出馬、使用開賽後才確定的 Closing 資料、忽略未有明顯變化的場次，以及同時嘗試大量窗口但只報告最好結果，都會高估訊號。
Sigma 的研究標準
落飛研究應列出樣本量、分析期、彩池、時間定義、結果指標和基準，並分開 Win、Place、Q 和 QP。未完成核對前，不應把觀察描述成已證實優勢。
落飛幅度應在機率空間比較
賠率由 10.0 變成 8.0 與由 2.0 變成 1.8，看似都是下降，但對隱含機率的影響不同。前者由約 10% 增至 12.5%，後者由 50% 增至約 55.6%。研究應比較正規化機率、對數賠率或其他一致尺度。
亦要記錄起點與終點。只看最低賠率會遺漏先升後跌的路徑；只看最後兩個快照則可能把資料延誤當成突然變化。
| 例子 | 賠率變化 | 簡化隱含機率變化 | 閱讀重點 |
|---|---|---|---|
| A | 10.0 → 8.0 | 10.0% → 12.5% | +2.5 個百分點 |
| B | 2.0 → 1.8 | 50.0% → 55.6% | 約 +5.6 個百分點 |
未計抽水的算式示例；正式比較需在相同彩池與時間點正規化。
怎樣判斷賠率變化是否可重現？
先在研究開始前定義觀察窗口、最小變化、排除規則和結果指標，再把所有合資格馬匹納入，包括沒有明顯變動的對照組。之後按日期切分訓練與測試，避免同一賽事資料同時參與規則選擇和驗證。
Sigma 的研究頁只有在樣本、時間窗、基準、模型版本和統計不確定性齊全時才會發布結果。未完成的題目會清楚列為研究議程，不把假設寫成發現。