价值投注中赔率波动的研究
价值投注中关注静态赔率是否有效?
答:目前大多数Value Betting 的文章、论文、开源项目，大概都是下面这种模式.
某一个时间点（Closing Odds、Current Odds、Opening Odds）→ 估计真实概率 → 判断是否 Value。
这种取值在赔率波动比较大的盘口中无异于随机游走,有悖于真正Value的判断,而是把价值判断的核心交给了博彩公司对这一事件定价的一个时间点,并不是真正的定价.有很多因素影响博彩公司的定价:
真实信息出现➔博彩公司调整➔专业玩家下注➔市场资金流动➔其他博彩公司同步➔套利资金介入➔机器人跟盘➔临场风险控制
在我们相信所有的金融投资价值都来自错误定价的前提下,这种瞬时价格有可能是我们所需要的Value,当然也有可能不是.在量化投注追求持续稳定性的前提下,把指标交给随机性和运气有点草率,当然我不能过于笃定的判断这个问题,因为这种做法毕竟是Value betting的主流做法.
什么是动态赔率(Odds Process)
答:我们无法不面对的是任何一场比赛,盘口的赔率都是这样一个过程:
t0 → t1 → t2 → t3 → t4 → t5 2.30→2.28→2.25→2.18→2.10→1.98 (Time Series)
在金融里被称为Price Path 而不是 Price.那么每一条赔率的时间序列就会有很多种动态特征,比如:
速度:开赛24小时：2.30 ↓ ,开赛23小时：2.25，下降0.05；Velocity = −0.05 / hour，
不同比赛盘口速度完全不同。
加速度:开赛24小时：2.30 ↓ ,开赛20小时：2.28 ↓ ,开赛16小时：2.15，后面突然加速。说明：有新的信息进入市场。
波动率:2.10 → 2.15 → 2.08 → 2.18 → 2.05
这种往往意味着市场意见分歧。
跳跃:2.25 → 2.25 → 2.25 → 1.98
突然跳越。
部分盘口会维持单边下行的走势，也有盘口走势呈现先下降、再上涨、最后再度下降的波动形态，趋势能否持续本身就是一项重要分析特征，而不同平台赔率变动的同步性则具备更高研究价值。
举个例子，
Pinnacle 赔率从 2.05 下调至 2.00，间隔一分钟后 bet365 赔率由 2.08 降至 2.02，又过一分钟 188 赔率从 2.09 下调至 2.03，
这套完整变动流程清晰体现出赔率变动里先行者与跟随者的对应关系。大量专业分析团队会重点研究各家平台赔率的变动先后顺序，区分率先调整的源头平台与单纯跟风复制调整的平台，定位真正掌握市场一手信息的价格源头，这套分析逻辑归属于价格发现（Price Discovery）范畴。
赔率变动路径还可延伸出多维度分析维度：
一是回撤（Retracement），
比如赔率从 2.20 下跌至 2.05 后再度回升至 2.15，
以此判断行情是否属于假突破；
二是震荡次数，统计赔率来回波动的总频次；
三是极值连续走势，包含最大连续上涨次数，
例如连续上涨 7 次，
以及最大连续下跌次数，
例如连续下降 12 次；
四是最大回撤，该指标逻辑和金融市场分析体系完全相通；
五是区间突破判断，
若过去 20 小时赔率稳定维持在 2.15 至 2.20 区间，后续直接跌到 2.05，
就构成行情突破（Breakout）信号。
在此基础上还可深入分析盘口变动（Line Movement）与赔率的联动关系，这里存在极易被忽视的关键细节：盘口让球档位同样会同步调整，并非只有赔率单独变动，这类联动信息的分析价值远高于单纯研究赔率波动。
例如让球从主队 - 0.25 调整为主队 - 0.5，再变更为主队 - 0.75，
对应赔率走势为 2.05 跌至 1.95 后回升至 2.02，
仅观察赔率数值会误以为整体行情波动极小，但实际上盘口档位已经跨越两级，核心变动本质是市场对两队真实实力差距的隐含预期发生改变。
正因如此，专业量化模型不会割裂盘口、赔率两项数据单独分析，而是依托 Skellam、泊松、Dixon–Coles 等进球预测模型，将盘口与赔率统一换算至连续化的隐含强度维度，再追踪该数值随时间完整演变的全过程。
怎么利用动态赔率进行量化分析
答:一旦把赔率视为一个Series,那么就有很多金融领域的模型可以借鉴:
- Random Walk 翻译：随机游走 解释：资产价格下一时刻涨跌完全无规律、无记忆，过去走势无法预测未来，价格变动相互独立。
- Brownian Motion 翻译：布朗运动 解释：连续时间版本的随机游走，刻画资产价格连续微小随机波动，是构建期权、价格模拟的基础模型。
- Hidden Markov Model（HMM） 翻译：隐马尔可夫模型 解释：存在无法直接观测的隐藏状态，仅能通过可见价格数据反推状态，状态切换服从马尔可夫性质，常用于识别行情模式。
- State Space Model 翻译：状态空间模型 解释：拆成两条方程，一条描述不可观测内在状态，一条描述观测到的价格数据，可处理带噪声、时序动态数据。
- Regime Switching 翻译：区制转换 / 状态切换模型 解释：市场分多种运行状态（震荡、牛市、熊市），模型能自动识别行情在不同状态之间切换的时点与概率。
- Change Point Detection 翻译：变点检测 解释：专门识别时序数据结构突变的算法，定位赔率、波动率、收益率突然改变的时间节点。
- Survival Analysis 翻译：生存分析 解释：原本用于寿命统计，金融中用来估算某类行情、价差、盘口维持多久才会发生反转/突破。
- Kalman Filter 翻译：卡尔曼滤波 解释：状态空间模型配套的递推估计算法，过滤市场噪音，实时修正对隐含市场状态的预测值。 具体模型对赔率序列的关联和应用的研究会持续更新.