「我估52%，所以公平賠率1.92」只係第一層；真正問題係52%有幾穩
公平賠率 概率區間 的核心係承認模型輸出並非精確真值。如果主勝中心估計52%，但合理輸入變動令結果可以落在48%至56%，公平賠率就唔應該只寫1.92，而應該同時看區間、去水方法同市場價格是否有足夠安全邊際。
公平賠率最好唔只報一個點。先保留中心概率，再對最有爭議的輸入做高／中／低情境；如果三個情境仍然比市場去水概率高，訊號較穩。如果只要改一個合理假設就由有差價變冇差價，應把它視為脆弱結論。
同一個中心值，窄區間同闊區間代表完全不同的信心
| 情境 | 主勝概率 | 對應公平賠率 | 解讀 |
|---|---|---|---|
| 低情境 | 48% | 2.08 | 模型假設偏保守 |
| 中心 | 52% | 1.92 | 基準輸出 |
| 高情境 | 56% | 1.79 | 模型假設偏樂觀 |
以上只係教學示例，唔係任何真實賽事賠率。公式仍然係公平賠率 = 1 / 概率；改變的是你唔再假裝52%沒有誤差。實際換算可用 足球賠率工具。
優先改三種最容易令結果翻方向的輸入
早季、小樣本、換帥時最值得做。
避免把歷史平均當固定常數。
疑問球員未確認時，用情境而唔係硬扣分。
檢查結論有冇依賴極短窗口。
如果模型只在一組非常特定輸入下先有「價差」，應該把不確定性寫出來，而唔係用更多小數位包裝精確感。
市場「公平概率」本身都會因去水方法而有細微差異
比例法、冪次法、Shin 類方法對同一組1X2賠率可以產生不同去水後概率。當模型edge只得一兩個百分點，去水方法差異本身已經可能改變結論。因此小edge應該做 method sensitivity，而唔係只用一種算法後宣布「有價值」。
模型低情境仍高過多種去水方法的市場概率。
只在單一去水方法、單一傷停假設下出現1%至2%差距。
「安全邊際」唔係固定3%或5%，而係要同模型不確定性匹配
如果你對一場成熟聯賽、穩定陣容、資料充分的比賽估計區間很窄，小幅差距可能仍值得研究；如果係升班馬、換帥、國際賽後、正選未定，區間自然較闊，需要更大價格差先叫穩。文章應描述「差距相對不確定性」而唔係設定跨所有比賽通用門檻。
市場去水後50%，模型中心54%，但合理區間49%–57%，結論屬敏感；如果區間53%–56%，同樣中心54%就穩定得多。兩者都係54%，信息質量完全不同。
區間有冇用，要靠長期 out-of-sample 概率表現驗證
Gneiting & Raftery 對 proper scoring rules 的整理強調，評分方法應鼓勵預測者報出真正概率；Brier Score亦係概率預測經典評分。最終你要比較的是：有做敏感度與收縮的版本，長期校準、Brier或Log Loss有冇改善，而唔係挑幾場「edge最大」的成功案例。
HKBetNet 已有 概率準確度，可以用同一套記錄框架保存每場中心值、區間同賽果。
公平賠率區間 FAQ
概率區間等於統計學95%信賴區間？
未必。本文的Sensitivity Range主要係模型輸入情境區間；除非你的模型正式估計posterior或sampling interval，唔應混用術語。
中心值比市場高就可以？
唔夠。要看差距是否大過合理不確定性，以及市場概率是否已正確去水。
小數位越多是否代表模型越準？
完全唔代表。52.347%可能比「50%–55%」更精確地顯示數字，但未必更真實。
真正成熟的公平賠率，應該同時回答「中心在哪」同「可以錯幾多」
由單點走到區間，先可以把模型不確定性放入價格判斷。