精算溢價率／Divergence

什麼是差異訊號

精算溢價率是 PitchCopilot 用來描述模型分佈與市場隱含定價差距的研究指標。Divergence 則是更通用的名稱，指模型認為某個方向的機率或入球區間，與外部共識存在可解釋距離。它不是單純「不同意市場」，而是要求差異能被資料、對位、節奏與歷史校準支持。

在體育量化研究裡，差異本身不稀奇。真正重要的是差異是否穩定、是否能被解釋、是否通過人工審核，以及長期是否在 /performance 中留下合理表現。若沒有這些條件，Divergence 只是噪音。讀者可以先搭配 /guides/market-implied-pricing 理解基準，再回來看本篇。

如何形成精算溢價率

PitchCopilot 會先建立賽事的資料分佈，包括球隊進攻品質、防守壓力、主客場差異、賽程密度、傷停與近期狀態。接著模型會與市場隱含定價、數據溢價基準線及高區／低區定價比較。若模型在某個方向給出更高或更低的相對機率，就會形成精算溢價率。

但平台不會只看差距大小。若差距來自資料缺口，例如陣容消息尚未確認，人工審核可能降低語氣或移到觀察項。若差距來自模型已知弱點，例如某聯賽樣本不足，也會在發布前調整。這是人工審核發布的重要性：它讓研究結論不只是演算法輸出，而是可讀、可追蹤、可負責的編輯內容。

讀者應避免的誤讀

第一個誤讀是把 Divergence 當成保證。任何模型都會錯，尤其在紅牌、早段傷退、極端天氣或輪換資訊突變時。第二個誤讀是只追最大差距。最大差距可能代表機會，也可能代表資料不完整或模型偏差。第三個誤讀是忽略結算定義；如果事前沒有清楚定義命中，事後任何說法都不可靠。

因此，讀 Divergence 時要問三件事：差異相對哪個基準？資料理由是什麼？長期績效是否支持？這三個問題也會出現在 /guides/reading-performance-dashboard 與 /guides/settlement-hit-definitions 的閱讀流程中。

與虛擬點數研究的關係

當精算溢價率足夠清楚，模型可能把它轉成核心或次選配置。虛擬點數研究讓不同賽事可以被標準化比較：同樣是 Divergence，信心、波動與資料完整度不同，配置權重也不同。這避免報告只用形容詞描述強弱，而能用一致規則表達相對重要性。

對創作者而言，Divergence 是很好的敘事入口，但引用時應保留限制，例如樣本窗口、版本、人工審核日期與公開績效連結。可參考 /guides/creators-citation-guide 的引用格式。

什麼樣的差異值得發布

PitchCopilot 會把 Divergence 分成可發布、需保留與不採用三類。可發布的差異通常具備清楚資料理由，例如模型捕捉到對位風格、賽程壓力或進攻品質變化，而市場隱含定價尚未完全反映。需保留的差異可能有方向感，但受陣容消息、樣本不足或聯賽波動影響。至於無法解釋的差異，即使數值看起來很大，也不應放入核心敘事。

人工審核會問幾個問題：差異是否可以用自然語言說清楚？是否有對應結算規則？若未命中，事後能否判斷原因？是否與過往校準結果矛盾？這些問題讓 Divergence 從炫目的數字變成可驗證研究。

讀者也可以用同樣方式自我檢查。當你看到精算溢價率時，不要急著把它當成重點，而要先問它是否與模型版本、公開績效與賽事背景一致。若報告主動揭露限制，反而通常更可信，因為好的研究不害怕承認不確定性。

補充閱讀提醒

另一個實務提醒是注意方向與大小的差別。模型可能同意外部共識的方向，但不同意強度；也可能方向相反，但差距很小。只有當差異大小、資料理由與校準紀錄同時成立，才值得放進主要敘事。

常見問題

Divergence 越大越值得關注嗎？

不一定。差距需要資料理由與校準紀錄支持，否則可能只是噪音。

精算溢價率會每天改變嗎？

會隨資料更新、定價變化與人工審核時間而變動，因此報告會保留發布時點。

哪裡能看長期效果？

請看 /performance，並搭配 /guides/brier-calibration 理解校準指標。