Prediction Engine
預測引擎 TX-Oracle v3
可驗證的賽事前預測：同一場出賽名單內排序，賽後用官方名次對賬。
引擎出預測流程Pipeline
特徵選取表 →由排位表收料到開跑前 30 分鐘鎖定，共八步。逐步展開睇白話解釋，並標明呢一步會唔會改動最終四揀。
運作模式 · 初版／最終版Draft / Final
每輪公開預測必須標明係未鎖初版定已鎖最終版。命中率只對最終版。
初版
未鎖 · 刷新可改四揀
最終版
已鎖 · 對賬同卡同一套
實戰命中率 · 過去 90 日Verified Hit Rate
完整戰績 →載入中…
引擎健康 · 逐項守門Health Gates
監控清單 →同數據庫 sanity 同一種清單：PASS／WATCH／FAIL。閘未過關時只採用 天喜Elo 後備模型。
模型架構（文字）Architecture
- LightGBM LambdaRank —— 把同一場出賽馬列為一條排序名單，學習場內相對名次；不是預測完賽時間（秒數）。
- 天喜Elo v12 —— 馬匹／騎師／練馬師權重 70／20／10，再加檔位與負磅修正；作為獨立後備模型。
- 機率混合 —— 按健康閘的 α 加權兩層輸出。閘未過關時只採用 天喜Elo。
- 臨場獨贏賠率 —— 只顯示於選馬頁作對照，不進入 LambdaRank。
p = α · softmax(天喜LGB / τ_lgb) + (1−α) · softmax(天喜Elo / τ_elo) 閘 FAIL ⇒ α = 0（純 天喜Elo）
論文同論證Research
核實之後寫明採納同拒絕。
2025Learning-to-Rank（韓國馬事會數據）
採納 listwise LambdaRank。拒絕：只因 CatBoost 論文 NDCG 高就換產線。
2024首爾騎師 LTR 對照
採納 pairwise／listwise 排序，優於用完賽時間做迴歸。
2023天喜Elo 於賽馬評分之應用
採納馬／騎／練 70／20／10 權重，加檔位與負磅修正作獨立後備。