引言
賠率在賽馬中扮演著重要角色，它不僅反映了馬匹的表現預測，也影響投注者的判斷。賠率的產生通常基於多種因素，包括馬匹的過去表現、騎師的經驗和賽道的條件等。因此，賠率對投注者在選擇賽馬時所做的決策有著深遠的影響。在這個快速發展的領域中，機器學習技術開始被應用於賽馬結果的預測，旨在利用歷史數據來提高預測的準確性。
機器學習的方法使得模型能夠學習賽馬數據的複雜模式。例如，通過使用回歸分析、決策樹和神經網絡等技術，能夠識別影響賽馬結果的關鍵變數。由於賠率是賽馬結果預測中的一項關鍵變數，將其納入機器學習模型中會非常影響模型的預測能力。
本問題旨在探討賠率的引入是否能提高賽馬結果的預測準確度。具體而言，我們將分析賠率如何影響模型的表現，並評估其對投注回報率的潛在影響。通過對賠率和機器學習預測技術的研究，我們期望能夠提供有關賠率對預測準確性及回報率之影響的深刻見解，進而為未來的賽馬投注策略提供指導。
賠率：如何影響預測模型
在賽馬運動中，賠率不僅僅是下注者對馬匹可能表現的期待，更是市場對特定馬匹成功概率的量化表現。賠率的變化通常反映了公眾對馬匹狀況的看法，這使其成為機器學習模型中一個重要的參考因素。當市場對某一匹馬的信心增強時，其賠率往往會降低，反之亦然。因此，在開發賽馬預測模型時，理解賠率的動態及其影響至關重要。
機器學習模型的主要目的是從數據中學習並預測未來事件。賠率作為一種市場信號，為模型提供了額外的資訊。通過將賠率作為特徵之一納入模型，可以提高預測模型的準確性。
然而，利用賠率來訓練預測模型也面臨諸多挑戰。一方面，賠率本身受到多種因素的影響，包括市場情緒和突發事件。此外，賠率的波動可能導致模型過擬合，即模型在訓練數據上表現優異，但在實際賽事中失去準確性。因此，開發者必須謹慎處理賠率數據，以避免引入過多的噪音。
這些挑戰和潛在風險需要被充分考慮，以確保在賽馬預測中利用賠率的有效性並促進模型的整體表現。
準確度 vs 投注回報率：兩者之間的平衡
當前的挑戰在於如何在提高預測準確度及降低投注回報率之間找到最佳平衡。無論基於機器學習還是傳統數據分析，預測模型都必須考慮賠率的影響。此外，準確度的提升往往伴隨投注回報的波動，這使得投注者在制定策略時需要仔細權衡這兩者的關係。
以數據分析為基礎，當賠率較高時，雖然可能吸引不少投注者，但這也伴隨著風險。此外，高賠率往往與較低的勝率相關聯。舉例來說，透過機器學習預測系統時，參賽馬匹的不同賠率情況會顯著影響結果的準確性。在某些情況下，過於高的賠率反而會導致預測失準，從而影響預期的收益。
在這樣的背景下，實現投注回報的最大化，投注者應該根據賠率調整其投注策略。利用數據模型分析過去的結果，以找出在哪些賠率範圍內投注最為有效。此外，了解賠率背後的市場動態，也能幫助投注者設定合理的預期收益。整體而言，這種準確度與投注回報率的平衡，是投注者在賽馬投注策略中無法忽視的重要議題。
實驗結果
我們嘗試用我們的預測模型進行回測實驗 (Backtesting)，亦得出相同結果。如果不加入賠率因素去訓練模型，計算出模型的曲線下的面積 AUC 為 0.704。
但如果加入賠率因素去訓練模型，計算出模型的曲線下的面積 AUC 為 0.751。可以見到單一個賠率因素可以大幅提高模型的預測能力，準確度會大幅提升，但問題是這個”準確的”模型又是否有用？還是否一個人工智能預測模型？
賠率可以大幅提高模型的預測能力是因為此因素真的與現實結果有很大的相關性，所以加入去訓練的模型，會很容易辨認到當中規律而作出預測。但如之前所講，賠率是市場對特定馬匹勝出概率的量化表現，已經是大眾根據一連串因素得出的判斷結果，而非純粹客觀資料。另外正因為賠率因素真的相關性，它的重要性會覆蓋其他因素，最後模型之預測好大機會會大部份根據了賠率，亦即是大家講的大眾智慧。
後續研究
雖然我們認為賠率並不是一個合適的訓練特徵，不過我們仍然繼續用特徵工程 (Feature Engineering) 去發掘可以再增強模型的方案。其中一樣是”賠率改變” (即大家講的”落飛”)，聽說香港有不少賭馬集團都會加入投注流向資料作分析，我們相信當中應該會包含有用資訊。我們會開始收集賠率資料作研究，希望將來再有資料同大家分享。