7.7 构造示例④：用赔率构造市场预期与离散度

前面三个示例都在讲球队。这一篇讲市场——把数据数值变成可计算的量化指标。

一、第一步：数据数值转隐含概率#

def implied_prob(odds):
    """数据数值转隐含概率（未去除服务成本）

    欧洲数据趋势：概率 = 1 / 数据数值
    """
    if not odds or odds <= 1.0:
        return None
    return 1.0 / odds

示例#

二、第二步：去除服务成本（必须做）#

三项数据数值的隐含概率之和会超过 100%，超出部分就是机构的服务成本。

def fair_probs(home_odds, draw_odds, away_odds):
    """去除服务成本，得到三项的「公平概率」

    思路：先算原始隐含概率，再按比例缩放，使总和等于 1
    """
    raw = [implied_prob(home_odds), implied_prob(draw_odds), implied_prob(away_odds)]
    if any(p is None for p in raw):
        return None

    s = sum(raw)
    if s <= 0:
        return None

    # 归一化
    fair = [p / s for p in raw]
    overround = s - 1.0    # 服务成本比例

    return {
        'home': round(fair[0], 4),
        'draw': round(fair, 4),
        'away': round(fair, 4),
        'overround': round(overround, 4),   # 服务成本率，通常 3%~8%
    }

# 示例
print(fair_probs(2.10, 3.40, 3.25))

为什么必须去服务成本？
不去服务成本，你的「模型概率」与「市场概率」比较时会有系统性偏差——你会系统性地认为市场高估了所有结果。
这是很多自建模型最常见的错误之一。

三、第三步：跨机构离散度#

把多家机构的数据数值收齐，计算分布的离散程度。

import numpy as np

def market_spread(odds_list):
    """计算同一结果在不同机构间的离散度

    odds_list: 各机构对同一个结果的数据数值列表
    """
    if not odds_list or len(odds_list)  1.0])
    if len(arr) < 3:
        return None

    mean = arr.mean()
    std = arr.std()
    if mean <= 0:
        return None

    return {
        'mean': round(float(mean), 3),
        'std': round(float(std), 4),
        'cv': round(float(std / mean), 4),        # 变异系数：消除量纲，可跨场次比较
        'spread_pct': round(float((arr.max() - arr.min()) / mean), 4),
        'n_sources': len(arr),
    }

关键指标：变异系数（CV）#

不要直接用标准差比较不同场次——数据数值量级不同（1.5 和 5.0 的标准差不可比）。

用变异系数 = 标准差 / 均值，消除了量纲，可以跨场次比较。

四、第四步：数据数值随时间的变化#

from datetime import datetime

def odds_drift(history):
    """计算数据数值的变动幅度

    history: 含 timestamp 与 odds 的记录列表（按时间正序）
    """
    if len(history) < 2:
        return None

    first = history[0]['odds']
    last = history[-1]['odds']
    if not first or first  0.01 else ('down' if change_pct < -0.01 else 'flat'),
    }

变动的解读#

五、第五步：预期差计算（最终目标）#

def expected_value_gap(model_prob, market_fair_prob):
    """计算模型概率与市场公平概率的差值

    正值 = 模型认为市场低估了这个结果
    """
    if model_prob is None or market_fair_prob is None:
        return None

    gap = model_prob - market_fair_prob
    return {
        'gap': round(float(gap), 4),
        'model_prob': round(float(model_prob), 4),
        'market_prob': round(float(market_fair_prob), 4),
        # 相对偏离：便于跨场次比较
        'relative_gap': round(float(gap / market_fair_prob), 4) if market_fair_prob > 0 else None,
    }

判断门槛#

六、一个重要的合规与技术双重要求#

不要把数据数值变动解释为「市场流量流」。
公开数据通常不含成交量。看到数据数值变动就说「大量市场流量涌入」，属于无依据推断。
正确的技术表述是「数据数值出现调整，可能反映市场对某类信息的反应」。
这既是技术严谨性要求，也是合规要求（见 6.6）。

七、完整的市场分析流水线#

下一步该看什么#

• 权重怎么定（本篇最关键的方法论）→ 7.8
• 如何验证指标有效 → 7.9