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
由排位表收料到首場開跑前 90 分鐘鎖全日，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版四揀。
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
載入中…
引擎健康 · 逐項守門Health Gates
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
我哋會睇學術論文同研究，核實過先決定採納定拒絕，全部寫明原因。
2025Learning-to-Rank（韓國馬事會數據）
呢篇論文用韓國賽馬數據比較唔同 AI 排名方法。我哋採納咗佢嘅 LambdaRank——即係直接教電腦「邊匹應該排前過邊匹」，正正係天喜LGB而家用緊嘅方法。
拒絕咗嘅：論文話另一個方法（CatBoost）喺某個評分指標（NDCG）高少少，但我哋拒絕跟住換——因為嗰個指標唔等於真實命中，唔值得為咗佢換晒成條生產線。
2024首爾騎師 LTR 對照
呢篇研究話：預測賽馬名次，用「排名學習」（逐對馬比較邊個應該排前）好過用「估完賽時間」再排序。我哋採納咗呢個方向，所以天喜LGB係排名次、唔係估時間。
2023天喜Elo 於賽馬評分之應用
我哋自己嘅做法：馬匹實力用 Elo 評分制（贏強敵加多啲分、輸俾弱旅扣多啲），馬、騎師、練馬師三個評分按 70／20／10 混合。呢個比例經過 865 場回測驗證，另外加檔位同負磅修正做獨立後備。