根据主队对冲下注，6000次蒙特卡洛模拟告诉我应该买…
2026 世界杯四强 · 投注与对冲分析
博彩术语表（点击折叠/展开）
- 赔率 Odds
- 庄家对某结果给出的赔付倍数。赔率 2.35 意味着押 1 元若猜中可拿回 2.35 元（含本金 1 元 + 净赚 1.35 元）。本报告赔率为”夺冠赔率”。例：法国赔率 2.35，押 2 元中则净赚 (2.35−1)×2 = 2.7 元。
- 隐含概率 Implied Probability
- 赔率的倒数
1/odds，即”按该赔率反推、庄家隐含认为该结果发生的概率”。它含平台抽水，所以所有队隐含概率相加会 >100%。例：1/2.35 ≈ 42.6% 是法国的隐含概率（含水）。 - 去水 / 抽水 / 利润边际 Overround / Vigorish / Margin
- 所有队隐含概率之和大于 100% 的部分，是博彩平台塞进去的利润。按比例挤掉这部分使概率合计回到 100%，即”去水”，得到市场真实概率 P_market。例：五队隐含概率合计 100.4%，去水后各自略缩，合计=100%。
- EV / 期望值 Expected Value
- 重复下注长期平均每注的净收益。本报告单注 EV =
2 × (赔率 × 夺冠概率 − 1)元。EV>0 长期赚钱，<0 长期亏。例：西班牙 EV = 2×(7.25×0.187−1) = +0.71 元/注，是五队里唯一正的。 - 纸面实力 Paper Strength (x)
- 对各队综合战力的主观打分（满分 100），是模型的输入之一，区别于市场口径。例：法 95 / 西 90 / 巴 85 / 阿 88 / 英 85。
- α 波动 Random Fluctuation (α)
- 足球偶然性，真实实力 = 纸面实力 × (1 + α)，α 在 ±20% 均匀随机。蒙特卡洛每次模拟给每队独立抽一个 α。例：法国纸面 95，抽到 α=+0.1 → 真实实力 104.5。
- scale（Logistic 敏感度参数）
- 胜率公式
P(A胜)=1/(1+10^((S_B−S_A)/scale))里的除数。scale 越小，同样实力差对应的胜率越极端（强队更稳）；越大越平。文档未给数值，默认 20，列为可调旋钮。例：差 10 分时 scale=20→76%，scale=15→82%。 - 蒙特卡洛模拟 Monte Carlo Simulation
- 用大量随机抽样逼近概率的通用方法。本报告跑 2 万次完整赛事模拟，统计每队夺冠频率作 P_model。把”概率”翻译成”随机数落在数轴某段”，如 70% 概率 = 随机数落在 0~0.7。
- 线性意见池 Linear Opinion Pool
- 融合两套概率的加权平均：
P_fused = w1·P_market + (1−w1)·P_model。在”概率层”而非”实力层”加权，避开了两来源量纲不同的归一化歧义。 - 世界线 / 夺冠场景 Outcome / Scenario
- 最终冠军是谁，决定了一条确定的收益。五队各有 0~1 个”夺冠世界线”，含对应奖金的总金钱随之确定。
- 对冲 Hedging
- 用反向或分散头寸降低风险。本场景下彩票不能做空主队，故对冲 = 不押主队（避免与天然 +2000 头寸同向加杠杆），把注分散到其他正 EV 队，让主队落败时仍有彩票补偿。
- 头寸 / 多头 Position / Long
- 持有某标的、”做多”它。主队夺冠你天然 +2000 元，相当于天然持有”主队多头头寸”。押主队彩票是在该头寸上同向加仓。
- 亏损概率 Loss Probability
- 模拟结果中总金钱 < 0 的频率。本报告区分”纯彩票口径”与”含冠军奖金的总金钱口径”两种亏损概率。
- 中位数收益 Median
- 模拟结果排序后位于正中间的值，即”50% 概率不超过此值”。比期望值更能反映”多数情况会发生什么”——彩票场景里期望常被小概率高收益拉高，中位数更诚实。
计算逻辑说明（点击展开/折叠）
从输入到输出共五层：概率 → 融合 → 注数决策 → 期望统计 → 双策略。完整文档见 [计算逻辑.md]。
第 0 层：输入
5 支队、各自纸面实力 x、夺冠赔率 β、四强对阵结构 z。两个 case：
case1(概率 70%): 上半区 法 vs 西, 下半区 英 vs 阿 case2(概率 30%): 上半区 法 vs 西, 下半区 巴 vs 阿
关键约束：夺冠 = 连胜两场（半决赛 + 总决赛），核心是”单场胜率 → 夺冠概率”的级联。
第 1 层：两套独立的夺冠概率
模型同时跑两条路径，各自得到一队夺冠概率。
路径 A — 市场口径 P_market（赔率去水）
q_i = 1 / odds_i # 每队隐含概率(含水) m = sum(q_i) # 合计(>1，平台抽水的利润边际) P_market_i = q_i / m # 去边际归一化，使 sum=1
把庄家赔率反推的隐含概率合计会 >100%（多出来的是平台抽的水钱/overround），按比例挤掉让概率合计回到 100%。默认结果：法 0.424 / 西 0.137 / 巴 0.111 / 阿 0.181 / 英 0.147。
路径 B — 模型口径 P_model（蒙特卡洛）
跑 20000 次模拟，每次独立：
- 抽 case：
rng.random() < 0.7选 case1,否则 case2（随机数落在数轴 0~0.7 这段占 70% 长度，自然逼近你的 70%/30% 预判） - 采样实力：每队独立抽
α ~ Uniform(±20%)，真实实力S_i = x_i·(1+α)。每队整个赛事内固定一次实力采样（模拟”某队本次赛事状态稳定”） - 两场半决赛 + 总决赛：每场用 Bradley-Terry / Logistic 公式定胜负，
rng.random() < 胜率决出晋级者 - 统计夺冠频率 = P_model_i
默认结果：法 0.39 / 西 0.236 / 巴 0.049 / 阿 0.218 / 英 0.107。模型认为西班牙被低估。
第(6)条”每局一局定胜负、不考虑平局”→ Logistic 直接定胜负，不单建点球环节。
胜率公式详解（实力差 → 胜率）
P(A胜B) = 1 / (1 + 10^((S_B − S_A)/scale))
例：法国真实实力 104.5 vs 西班牙 94.5（差 10 分），scale=20：
P(法胜) = 1/(1+10^((94.5−104.5)/20))
= 1/(1+10^(−0.5))
= 1/(1+0.316) ≈ 76%
scale 控制”实力差对胜率的敏感度”。下表为同一 10 分差距在不同 scale 下的胜率：
| 领先几分 | (S差)/20 | 10^… | 强队胜率 |
|---|---|---|---|
| 0 分(平) | 0 | 1 | 50% |
| 5 分 | −0.25 | 0.562 | 64% |
| 10 分 | −0.5 | 0.316 | 76% |
| 20 分 | −1.0 | 0.1 | 91% |
| 40 分 | −2.0 | 0.01 | 99% |
差距越大强队胜率越高，但永远到不了 100%——Logistic 留了爆冷余地（对应足球偶然性）。scale 越小越敏感。底数用 10 是 Elo 等级分传统。
第 2 层：线性意见池融合
P_fused_i = w1 · P_market_i + (1−w1) · P_model_i
w1=0.5 默认 → 两套口径等权平均。为什么是概率层融合而非实力层加权：赔率实力和纸面实力量纲不同，实力层加权要先选归一化映射（不唯一、引入误差）；概率层融合让两来源各自落到”夺冠概率”再合，干净且 w1/w2 旋钮语义直白。
默认 w1=0.5 结果：法 0.407 / 西 0.187 / 巴 0.080 / 阿 0.200 / 英 0.127。
第 3 层：注数决策（optimize_bets）
约束
0 ≤ n_t ≤ 50 (每队上限, 需求.md:59) sum(n_t) × 2元 ≤ 500 (总预算上限)
目标函数与一个关键事实
总金钱 = 彩票损益 + (主队夺冠 ? +2000 : 0)
最重要的认知：那 +2000 是按事件给、与下注无关的常数项（你天然持有）。所以从”最大化期望”的数学看，它不改变注数决策——
最大化期望 ⟺ 最大化彩票期望损益
单注 EV（每注期望净收益）
EV_t = 2 × (odds_t × P_t − 1) # 元/注
默认：西班牙 +0.71（唯一正）、阿根廷 +0.196、法国 −0.089、巴西 −0.567、英格兰 −0.282。
贪心分配 + 策略开关
eligible = TEAMS 去掉 (hedge 模式下的阿根廷)
order = eligible 按 EV 降序
for t in order:
if 剩余额度 ≤ 0 or EV_t ≤ 0: break
n_t = min(50, 剩余额度)
剩余 -= n_t
两套策略区别只在 eligible 一行：
- ev：含主队 → 西班牙 50 + 阿根廷 50（投入 200 元）
- hedge：剔除主队 → 西班牙 50（投入 100 元），不押主队
为什么 hedge 剔除主队：彩票不能做空主队，真正的对冲靠”不加杠杆”——不押主队（避免同向加杠杆），把注分散到其他正 EV 的非阿队。
第 4 层：期望统计与分布模拟
每个世界线（谁夺冠）的确定收入
payoff_by_champ[t] = n_t × 2 × (odds_t − 1) # 赢队净收益(赔付减本金)
− sum_{s≠t}( n_s × 2 ) # 其他队本金全亏
这是确定性的——冠军定了，彩票收入就定了。
总金钱 = 彩票 + 事件奖金
total_money[t] = payoff_by_champ[t] + (t=="阿根廷" ? +2000 : 0)
蒙特卡洛抽样冠军模拟分布
用融合概率 P 抽样 20000 次冠军，汇总成分布直方图，算统计量（期望、中位数、5%/95% 分位、亏损概率）。
第 5 层：双策略对照（核心交付）
| 谁夺冠 | 概率 | hedge 总钱 | ev 总钱 |
|---|---|---|---|
| 法国 | 40.7% | −100 | −200 |
| 西班牙 | 18.7% | +625 | +525 |
| 巴西 | 8.0% | −100 | −200 |
| 阿根廷 | 20.0% | +1900 | +2350 |
| 英格兰 | 12.7% | −100 | −200 |
| 期望 | +435 | +445 |
对冲胜负关系：80% 的世界线（非主队夺冠）里 hedge ≥ ev；仅主队夺冠那 20%，ev 多赚 350。代价仅牺牲 10 元期望总金钱（445→435）。这是机制允许下”用极小期望代价换绝大多数落败场景少亏”的最优对冲。
浏览器端实时重算
本页内嵌一份等价 JS 引擎（LCG 伪随机替代 numpy），拖旋钮时浏览器端不连服务器即可重算。与 Python 引擎一致性校验：概率差 < 0.007（纯随机噪声）。JS 端用较小 N（蒙特卡洛 3k、分布模拟 6k）保流畅；首屏快照用 Python 高 N（20k）注入保准确。
两个可质疑的建模假设
- Logistic scale=20（敏感度参数，需求.md 未给数值）——决定实力差对胜率的敏感度。scale 越小越敏感。可在右侧/上方旋钮拖动观察。
- 每队赛事内固定一次实力采样（而非每场独立采样）——模拟”某队状态稳定”，让强队两场表现相关、降低爆冷概率。
调整面板
夺冠概率：市场 vs 模型 vs 融合
主队晋级之路
最优投注分配
收益 / 效用分布
法国 EV 为负，不是因为模型看空法国——恰恰相反，模型仍认为法国是第一热门 (model 0.39 = 五队最高，与纸面 95 分第一一致)，与市场(0.42)的相对分歧仅 −8%， 是五队里最小的分歧。负 EV 的真正原因是：最大热门的赔率被市场压到无利可图 (平台抽水 + 已充分定价,纯市场口径下法国 EV 已 ≈ 0)。
真正有 alpha 的是西班牙 +0.71：模型认为它被市场低估约 72% (model 0.24 vs market 0.14)。 模型对五队的相对偏离为：西班牙 +72% > 阿根廷 +21% > 法国 −8% > 英格兰 −27% > 巴西 −56%。 注：概率总和须归一，模型抬高西/阿必然从法/巴/英扣减,法国 8% 微调主要源于此。
由于彩票不能做空主队(只能押某队赢),joy_y 项在期望里是常数(按事件给,与下注无关), 不改变”最大化期望”指向的队——但押主队等于在天然+2000多头头寸上同向加杠杆。 故「对冲策略」= 不押主队,避免同向叠加,让注数分散到其他正 EV 队,在主队落败时 仍有彩票收益补偿(分布图左侧红带会变浅)。代价是牺牲少量期望总金钱。 用「投注策略」开关对照两种方案的总金钱分布与亏损概率。