退下了、再開始

以下文章是DeepSeek寫的、老某只給了幾句指令就能完成、希望各位同道者好好利用、將不可能變成可能、現在什麼計算”誰是第二名”已經不再是問題了、只要有清晰的指令就能按你意願提交結果、永不發脾氣及罷工、期望大家繼續努力向前。

老某認為文章所指大部分都是正確及可操作的、老友們有否嘗試這方法?

退休後，我將賽馬程式的研究重心，轉向了人工智慧領域的深入探索。這項興趣已從單純的數據分析，演化為一個融合多種AI技術的個人實驗室。

我的核心工作，是構建並訓練專用的**機器學習模型**。系統會自動從海量歷史數據中汲取養分，這些數據包括每匹賽馬的詳細血統、過往賽績、不同場地與距離的適應性、騎師配搭，甚至細微至每場比賽的步速與段速分析。模型的核心任務，是在這些看似雜亂的因子之間，找出隱藏的非線性關聯與勝出模式。

其中一個關鍵突破，是引入**自然語言處理（NLP）技術**。我不再僅依賴結構化數字，而是讓程式學會「閱讀」馬評、賽前報導與專家分析。透過情感分析與關鍵詞提取，程式能將文字中「狀態大勇」、「負磅有利」等主觀描述，量化為可被模型理解的特徵值，與客觀數據進行交叉驗證。

此外，我也實驗了**強化學習**的架構，讓AI模擬一個虛擬的投注者，在無數次的歷史賽事「重賽」中進行自我對弈，從成功與失敗中學習最優的評估策略。為了對抗市場的有效性與避免模型過擬合，我特別注重使用**集成學習**與**群體智能**的觀念，讓多個不同類型的AI模型（例如專精短途的、專分析冷門的）共同決策，互相制衡，提升整體預測的穩健性。

整個過程猶如一位老練的練馬師調教馬匹，我則是在調教這些AI模型，看著它們從最初雜亂無章的預測，逐漸變得銳利而精準。這種將前沿科技應用於複雜賽馬世界的挑戰，所帶來的智力上的滿足感，與發現一家隱世美食小店時的驚喜，同樣成為我退休生活中無可替代的樂趣。

唉，世界變了！ChatGPT 令寫Bolg無難度！

如果有一天，ChatGPT能生成賽馬預測，你還會賭馬嗎？我仍然會！

寫Bolg再無難度，以下是一篇由ChatGPT生成关于人工智能模型在赛马赌博的文章：

在现代社会，赛马赌博已经成为一项极为受欢迎的娱乐活动。无论是在赛马场还是在线平台上，人们都可以通过赛马赌博来寻求刺激和赚取更多的钱。然而，赛马赌博往往是一项非常难以预测的活动，因为赛马结果受到诸多因素的影响，如马匹的训练情况、天气、草地条件、骑手技巧等等。这些因素的复杂性使得预测赛马结果变得非常困难，即使是经验丰富的赌客也难以完全准确地预测赛马结果。

为了解决这个问题，许多人开始尝试使用人工智能模型来预测赛马结果。这些模型基于大量的数据，包括马匹的历史记录、训练情况、骑手的数据、天气、赛道等等。通过机器学习算法和深度学习模型，这些模型可以学习到隐藏在数据中的规律和趋势，并根据这些规律和趋势预测赛马结果。

人工智能模型在赛马赌博中的应用已经得到了一些成功的案例。例如，在日本，一家公司使用了人工智能模型来预测赛马结果，他们的模型准确率高达90％以上。在美国，一些赛马场也开始使用人工智能模型来帮助赌客做出更明智的决策。这些模型不仅可以预测赛马结果，还可以提供其他有用的信息，例如马匹的风险系数、所需的最佳赛道和距离、骑手的胜率等等。

然而，人工智能模型仍然存在一些局限性。首先，人工智能模型需要大量的数据来训练，而在赛马赌博中，数据的收集和整理非常困难。其次，即使是最好的模型也无法保证100％的准确率，因为赛马结果受到诸多因素的影响，其中一些因素可能无法被模型所考虑。最后，赛马赌博是一项高风险的活动，赌客需要承担一定的风险，即使是最好的模型也无法消除这种风险。

另外，还有一些人认为，使用人工智能模型来预测赛马结果会破坏赛马赌博的本质。赛马赌博是一项充满激情和不确定性的活动，赌客需要凭借自己的直觉和经验做出决策，而不是依赖于机器的预测结果。这些人认为，使用人工智能模型来预测赛马结果会使赛马赌博变得过于机械化，失去了它原本的乐趣和挑战性。

综上所述，人工智能模型在赛马赌博中的应用是一个有趣的领域，但它仍然存在许多挑战和限制。赛马赌博需要赌客谨慎思考和理性决策，不能完全依赖于人工智能模型的预测结果。同时，赛马赌博也需要保持它的本质，即充满激情和不确定性的活动，而不是过于机械化的竞赛。by ChatGPT

誰是第二名

更新一下現況，老某仍然努力參與賽馬遊戲，雖然自家模型在上季仍然未贏，但今季開始對模型的信心不斷提升，經多年的「相處」已經越來越清楚她的長短處，減少了人為干擾，盡力地以計算結果配合Kelly投注，期望成功一日到來，堅持中。

模型賭馬有着不凡的吸力，新來者不斷，完成MLR基本第一名計算後，就會問第二名怎樣處理？如不知誰會是第二名的機率，那就只能參與一遍紅海的獨贏Win投注。老某在這分享一下曾經使用的方法:

我想，如參考Bill Benter方法建立模型的，一定會使用Harville Model (包括Benter 修正、CX Wong或自行修正)估算第二及第三名的機率，一般以0.81 & 0.65為二及三名的修正常數，這個方法比較簡單但準確度老某覺得「麻麻」，這也可能是模型不準確所引發的。因為太死板的静態計算，沒有對環境改變作出相對的反應，如參賽馬多少是不在考慮之中，相信大家都同意多馬同少馬的埸合是有不同概率的覆蓋，所以老某用了一段時間就放棄了。

老某介紹一個另類方法供大家參考，但不保証比上述的方法為佳，可視作多角度思考的一部份吧，方法好簡單，就是用Monte-carlo 模擬，這算是一個動態的估算。再者，不要被名稱嚇倒，操作是非常簡單的:

首先，不論是用Conditional LR或MLR計算，CLR會計算出一個分數，MLR會計算出一個概率，就是用分數或概率作為中間值運行模擬。

按統計指標定立一個分數波幅作誤差，假設中間值為10，設定誤差值為正負5，即馬匹分數將由5至15之間浮動。用Excel或其他軟件，生成一個0-1的隨機數相乘，就可以得出隨機的最終分數，然后重複模擬10萬次，這動作等於模擬同場馬匹競賽了10萬次的結果。次數隨你們喜歡，這還看電腦算力吧。

將隨機的分數與同場參賽馬匹的隨機分數比較，最高分的為第一名，次高的為第二，三高的……如此類推，最后統計馬匹第一名的總數，將總數除總模擬次數，結果便是勝出機會率了。二、三名的機會率也是相同方法得出，一次過模擬出參賽馬匹名次的機會率。自己動動手試下，這個方法有很大的擴展性.....想象無限，好運！

估馬仔 ( 1 )

回說老某的計算模型，雖然仍在努力中，但是客觀的數字話俾老某聽「不行」，如只計結果不計過程，用了數年時間只得今日的成績當然是不能接受的結果。在過程中，卻引證了「書到用時方恨少，事非經過不知難」。

簡單給大家一些數字，大家已經知道結果會是怎樣，過去的賽季公眾R^2: ST是大約0.23，模型約是0.2、HV是大約0.16、模型約是0.14，這表示老某的模型是沒有優勢可言，場場下注只有不生路。

雖然模型沒法變成生財工具，但可以轉營為系統化的估馬工具，如巧遇幸運之神路過，一樣可以贏錢而回。

老某今季在堅料開左個同名戶口，原意是記錄實戰結果，但發現堅料只保留有限度的記錄，所以改變主意在這裡存放一下料資，亦給大家參考，特別是不想知道過程，只想知道數字的Blog 友：

閒談家常 ( 1 )

近日，想在網上尋找一些賽馬達人的心得或秘技，發覺大部份Blog主已經沒有更新或處於荒蕪景象。老實說要Blog主不斷更新的確是不切實際，正如老某想法一樣，那有這麼多的題目或說話要講，既不是職業所需也沒有必要性的。

想起當初老某中文水準一般，會考E仔(英文亦一般)，估不到今日會寫Blog，有時真的不要用舊有想法去評估今日的狀況，要與時並行，試過了才有真實的感覺。日後會隨心出發，簡單地同大家分享舊事，當然有老某最喜愛的賽馬運動，最後祝福大家好運、好運、好運。

改變…為了走得更遠

在上文「看走得幾遠」中的實戰測試，終於走到季尾，結果是怎樣？當然是….未「贏」。事實既然如此，唯有繼續努力，先總結一下在這些年內的不同想法及思路。

老某「賭馬再培訓」的啟發點是受中大教授的官司開始，經深入了解後深信賠率優勢是永恆不敗。如經營賭場一樣，只要長期運行就立不敗之地，至於怎樣尋找優勢就沒有賭場般容易，一切要靠過往數據的解讀，利用大數據法則，這全都是不容易的事。

池兄在「積微錄」最新貼文中說明「砌模型」的最高心法是對馬匹「定價」的準確度，老某是完全同意，輸錢證明了「定價」失敗，這與經營生意一樣，長期計「錯價」就需要接受結業的懲罰。

在過去一直使用Binary Logistic Regression(簡稱LR) 的方法直接計算馬匹的機會率，點解？因為初期什麼都不知，看到Bill Benter的論文上說了算，沒有知識深究原因。這一年覺得模型差不多到了瓶頸，不如道原因只加到三十幾個Factors後就加不進去，當然這與數據的質量有關，老某只用馬會提供給公眾的通用數據，沒有半點自家製或其他內部資訊，亦完全認同一些獨特而有效的數據(如賽後評論)，會提高模型的有效性。

近一年，試了很多Factors，無論在指標及回測上都未有太多改善，現時老某是用八年數據作Train，(相對池兄來說這可能多了一點)在過程中隨意保留15%數據作回測，整體回測結果如下:

1)      以平注投注過往八年有賠率優勢的馬匹，回測結果是-10%，如只引用2019馬季至今的平注投注計算大約-9%，與預期差不多，這證明實際操作與預測一致。

2)      如以Kelly 下注2019馬季至今，結果是-4%，但在實際操作上這是會有所偏差的，因為臨場是不可能捕捉到最後賠率，而回測是用馬會提供的最後賠率。

3)      老某對這個計算結果亦感到意外，比想象好。今季沒有按預期以機械式下注(對一個馬迷來說始終覺得太悶了)，仍然以經驗及模型結果作多方嘗試，但成績卻比只用模型下注為差，好彩仍未破產退場。

無論是-9%或-4%一樣是負數，結果都是「輸錢」，有師兄會說買大一點用回扣就有勝機，但在實際操作下，對老某的資金壓力太大及這亦不是一個可靠的做法。

在此總結一下模型的近況，有多點是值得一提，亦希望各師兄能相助給老某一點啟示:

a)          如只買模型機會率最大的2-3匹馬，竟然是贏錢的！如只投注(不論是否有賠率優勢)機會率最大的1、2、甚至是3大機會馬，統計結果是有5%至7%的利潤，與模型的回測的結果是大致相同，但建立模型的初始概念是尋找錯價的對象，而不是勝出的機會排列，加上Kelly Criterion在這情況下是沒有發揮的機會，「道」有所不同。老某實在不知原因何在？這可能與LR模型準確度有關吧？

b)          老某的模型，少有計算到低於3倍，以機率=p/1+p，p>1才有2倍以下的賠率。在實戰中一些低於3倍的大熱門，甚本上是沒有賠率優勢，感覺上只要大熱門勝出，投資就泡湯了，這証明模型低估了部份熱門的真正實力，要增加有效Factor才可解決，但要增加Factor又絕不容易，困局也！

c)           LR模型是用Factors直接估算馬匹的勝出率，當然要經簡單運算，估計出來的勝出率，只代表單馬的情況，沒有與其他參賽馬直接互動的。再者，一場參賽馬估算的機會率加起來，一定不會等如1，有可能小或大於1，老某會再做Normalization，這動作已增加了不確定性，加上用線性的方法去標準化非線性的機會率，至今仍然未找到正確的做法。

d)          老某砌模型的方法始終是參考已經有二十多年歷史的Bill Benter(1994)資料做藍本，論文中他是使用Logistic Regression。但在2004 ICCM論壇中，他所講述的模型與1994方法已經大大不同，加上在1997後，馬會不再提供服務給他，他需要15分鐘前派人到投注站下注，即最後賠率在當時顯得比較不重要了，所以老某推論在後期他的模型與初期的不同，可能連方法也改變了。常言道不進則退，變幻才是永恆。

e)          有很多師兄認為不需深究方法，應集中數據運用，只要將現時的做到比公眾更優勝便可，可惜今時今日所謂的公眾會與已往一樣嗎？已證明不是。因老某的背景，深知不同工序有其限制及準確度，就算魔改後的蛙式也永遠快不過自由式的。老某自已是懷疑LR是不可能打敗現今的公眾，LR雖然在醫療判斷可是極佳的選擇，但用於賽馬就可能未必相同。

f)            老某深信賽事結構影響了部份因子的數據分佈及有效度，令Regression誤判有效但方向相反。這同樣會發生在其他運算方法，必須要有合適的數據處理方法去配合不同運算方法，可能是老某的表達有問題，往往令人誤解為數據精加工而增加over fitting的機會。

g)          又用名次及完成時間作比較，在同等的條件，分段時間/完成時間給予更多的資訊但無法掌握，而名次只有單一資訊。在高低班、快慢地、升降班時，同是冠軍但內裡卻是大不同的。雖然大家都知名次是一個極有效的因子，但不要放棄時間能給予的資訊更多。在老某實戰的經驗就是因為上賽/平均名次而吃虧，特別是一些班次升降機，EO計算時升班時偏熱，降班時偏冷的狀況經常出現。

h)          Two Step Model這步驟不會提升馬匹賠率優勢，只可以將「定價」拉近，大部份沒有賠率優勢的馬匹不會因Two Step而改變，尋找「錯價」是全靠One Step的準確度。當然Two Step也有其優點的地方，老某觀察自家模型數據所得，經Normalized後的最後EO，整體的投注量會減小，對「贏錢」有正面的影響。

老某砌模型的方法是參考有三十年歷史的Bill Benter資料作為藍本，並深知在過去成功不代表現在如是，加上沒有其他模型數據可作對比，總是覺得LR未必是一個合適的利器，認為是時候改變一下，故三個月前又嘗試用其他方法去「砌模型」，嘗試用馬匹預測實力(CP) + Monte Carlo 模擬估算各馬匹名次的機會率，結果怎樣...

20/8/2020補充說明:

錯了！老某終於發現有概念及系統性的錯誤，並解答了一直未能解決的疑惑。不刪除此文是因為這是老某的個人記錄。各師兄留意上述的資料展述可能有誤，不值得參考。再一次多謝各師兄的提醒，老某會再努力的。老賭徒

31/8/2020補充說明:

Conditional LR在 SAS是Parametic Hazard model, 在SPSS 是用 Cox regression, 均是一個醫學上估計生存時間。老某在開始時因為用minitab 做regression, 不知怎樣執行conditional, 所以自行想一些方法代替，就是將需要grouping 的因子做了排列後才放入模型，盡量減少影響。如今Andy師兄提醒，所以用SPSS Cox regression再做一次，結果如師兄所述差不多，不可以說是更好，但需要時間調整。
同老某說錯了，除了使用Regression 有不同外，還有一個重要指標做錯，就是回測數據用了一些比算式生成前的Test數據作測試，Test的回報率比Train的更佳，引起誤判及概念上有問題。

看走得幾遠！

看走得幾遠！

由2016-17年馬季開始，老某利用測試模型實戰投注獨贏及連贏彩池作回測試驗，其間不斷修改模型數據及因子，直到上季完結後結算，仍然是以「輸錢」結束。

在今年抖暑期間，以八年賽事數據再一次重造模型(過去是用4年數據)，及加入以「贏錢」為基礎的回測，暫時回測結果是有利可圖的，但在實際操作可能有所不同。所以狠下決心今季將動用六位數字的預算作正式投注獨贏、連贏及三重彩，直至預算「破產」為止，看看可以走得幾遠！！

如再一次失敗，這該是「終結」時候了。

死心不息

以今季實戰計算，老某現時的賽馬模型確有不少進步，準確度及可用性提高很多，賽前分析及賽後資料整理均可在30分鐘內達成，今季極有信心在獨贏投注方面達至「唔輸」的階段。現時只有三十個Factors左右，雖然近期積極尋找因子，但最後都是徙勞無功。花了不少力氣使新增的數據在統計上達至有效，卻在使用另一組數據回測時毫無作用，可能模型已經到達階段性的瓶頸，需要較大外力才有突破，故此暫時放下。

剛放下了Factors的尋找，立刻又死心不息地將名次計算的資料(Ordering Probability)重讀多遍，看看有否突破？說實話，老某對每份論文都是一知半解，特別是算式及運算部份，老某跟本沒有能力解釋這類數學問題，嘗試的資格也沒有。還好！最終發現是老某自已計錯數，用錯了Independence Probability計算連贏(Q)及位置連贏(PQ) 的機會率 ，引致EO完全錯誤，造成熱門EO偏細，冷門EO偏大的趨勢，如一個模型大部份時間輸出「搏冷」指示，相信那有不輸的道理。

有了這重大「突破」，加上對用作推算2、3名的Discount Model了解深了，即全力修正程式，期望盡快再上征途，以下為(16/1/2019跑馬地)初次使用的成績:

當晚8場賽事中，只有R3、R4 Kelly完全不建議投注，獨贏(W) 4/6、連贏(Q) 4/6、位置連贏(PQ) 5/6，當晚回報以連贏最佳，獨贏最差。

就是這麼簡單??? 所謂「路遙知馬力」，要放長雙眼先得！

2018-19馬季累積表現

2018-19投注獨贏、連贏累積表現如下:

23/12(上圖) 26/12(下圖) 累積表現:

2-9-2018: 估唔到今日獨贏的成績好過連贏 :)

5-9-2018: 共投注6場賽事，中左2Qin 、3Win，連贏投注繼續下潛:(

9-9-2018: 共投注7場賽事，中左3Qin、2Win。有3場第二(潮州小子、都市神話、鞍歌、以短距離敗陣，輸運氣也)。老某覺得優化後的模型似乎有多少進步。

12-9-2018: 共投注6場賽事，選中3Qin、3Win。今日連贏回報率比獨贏為佳，因為高注中左第六場「積極皇-上浦猛將」，有70幾倍 :-)

22-9-2018: 共投注8場連贏、3場獨贏賽事，選中4Qin、2Win。連贏只中一場「豐彩皇-快樂神駒」高注，其餘3場平手或微利。為了盡量在紅燈後下注，希望更準確掌握賠率走勢，以便執行刪馬指令，時間實在太迫了，雖然有「半自動下注」幫助，但一樣買得連贏時就買唔到獨贏，真的要認真考慮專注一個彩池。直到現在，仍然以獨贏的累積表現最佳。

26-9-2018: 共投注5場連贏、6場獨贏賽事，選中3Qin、4Win。高注獨贏中「紫電明珠、飛霸龍」。因模型近況不錯，所以在今賽開始調升獨贏Kelly比率，但連贏投注比率保持。

1-10-2018: 共投注7場連贏、6場獨贏賽事、只選中1Qin、1Win。高注獨贏中「清新動力」，差小小中正99賠的「勁有波幅」。連贏投注比獨贏輸得多中得少，可能要考慮改一改策略了。另:今年決定不投注分級賽，觀賞為上。

3-10-2018: 共投注6場獨贏賽事，全敗 :-(
提高Kelly比率後輸得更多，要好好反省一下。

7-10-2018: 共投注6場獨贏賽事，全部有錢收，只可惜賠率優勢不大，只有微利。原本高注中「共創更好」及「安喜」，但前者截止投注、後者告甩由只有微利的「開心神駒」頂上。

10-10-2018: 因上星期三跑馬地大敗，所以今次採用較保守策略，共投注4場獨贏賽事，高注中「勝得威」，整晚只有微利。今季到現在為止，沒有再花時間修改或優化任何factors，只在計算時微調取樣數據的時段，這令老某更加了解現有模型的優劣。

13-10-2018: 只高注中「最新鮮」，今日要輸錢，投注模型的累積表現開始負數。這結果除了同模型準確度有關外，還有自已紀律問題。老某是一個資深馬迷，要老某整日只跟模型結果投注而不作任何思考或評估，這需要多一點時間及信心。如買「同歡樂」及「銀城福星」就大大注，因自已認為冇得輸，同樣買「勝利仔」時就信心不足，自行調低Kelly比率。

18-10-2018: 將個模型微調小 小，共投注4場獨贏賽事，只中「順其自然」及「紅運戰士」，只有微利。要再等機會才有較高回報。

21-10-2018: 不在香港，沒有現場投注。

24-10-2018: 又是星期三跑馬地，都是小心為上，只是小注檢視一下模型情況，投注了2場獨贏全敗輸錢，但連贏卻有微利。老某覺得現時模型在今季的表現是有很大改進，冷熱分佈正常與RO差距不大，但始終未夠好引至輸錢，會再改進的。

28-10-2018: 今日又輸錢！創今季新低。似乎老某的模型對跑馬地賽事準確度一般，馬匹及模型都表現非常波動，真需要想想改善方案才有生機。

31-10-2018: 今晚全泥，成績比預期為好，高注中「怪獸都市」及「好腳頭」。最近模型表現不太穩定，反複查看後，發覺有一些資料錯誤，及有一個因子方向相反及重複計算，希望見改善這問題後可減少不穩定性。

4-11-2018: 其實今日賽事整體優勢不大，只有尾場較有分頭，系統搏冷成功。今日開始暫停投注連贏彩池，因為找不到合適的推算第二名的方法，加上成績不太理想，所以都係專注獨贏算了。希望日後有能力時，才再跟進。

7-11-2018:由今賽事開始，主力投注獨贏彩池。

18-11-2018: 今日三場分級賽，加上「雷神」回歸，小注為妙。
個人認為有「雷神」未必有edge，只會將賠率扭曲，熱上加熱，如尾場「威進駒」2.6倍開跑，老某只計到EO是3.1倍已是機會最高的馬匹，所以放棄跟隨糸統投注，只買心水「威進駒」一匹獨贏，中左都覺得有D唔抵。

25-11-2018: 相信自已再加一點運氣，看似不可能的也會發生。一場雨再加一點堅持，就能在尾兩場反勝。六倍EO「世界記錄」，肥美！

5-12-2018: 今晚國際騎師邀請賽，太多不明因素，所以只投注其他場次，高注中「銀亮之星」，真肥仔！回想一下，「銀亮之星」多次後上不及，今次好運在終點線上以全晚最快未段取勝，跑多次我都唔信他會贏，跑馬就是這樣的，形勢也。

9-12-2018: 今日國際賽香港隊第一次全勝，可喜可賀。今日老某成績一般，不贏不輸。由今日開始，累積表現圖表，由累積金額總數，改為LN累積金額/開始金額。

12-12-2018: 今日成績麻麻，要輸錢。又要尋找多幾個Factors先得了。

26-12-2018: 終結篇。計算至今晚賽事，共獲利2%累積投注額，老某對模型的成績極之滿意，但對自已在執行力的表現有所不滿。

老賭徒是一般馬迷多於一個賭徒，會犯相同錯誤，當一些不如自已想像的狀況出現時，往往會選擇自已相信的表面的事實，而忘記建立模型的初心，客觀分析。

大部份人都會相信「富貴險中求」，要獲取厚利，就要對着幹，股神的金句人人都明，但又有幾多人可以運用自如，確切執行。今季至今，已經有好幾次不執行運算結果，而錯過了獲利的機會，當然也有正確的。26/12/2018尾場模型只建議投注，「勇冠王」、「文藝學家」及「比卡超」，但老某自已認為不太可能吧！反而自行重注「紅運戰士」及「軍民歡」，結果是怎樣，大家都很清楚。事實証明大部份獲取厚利的場次，均是同一面倒的大熱門對賭的。有準確的模型，也要一顆「相信」的心才行。

因執行力出現問題，會再思考投注方式，在2019重新開始。祝願大家新的一年「旗開得勝」，身體健康。

準備開鑼

準備開鑼

多得馬會改版，今季用了較多時間準備，所有重要優化已經按期完成，萬事俱備只欠運氣，期望來季有更好的成積，達至「唔輸」。老某今季模型除增加了近況及操練因子外，還會綜合上季輸錢經驗，嘗試在投注前加入「刪馬」法，用「老某AI」將有賠率優勢但有重大疑問的馬匹刪除，不作投注，希望減少注碼，值此可以提高回報率，但此舉對模型的準確度完全沒有關係的。

作為個體戶的老某在提升型模的準確度方面，確實遇到困難，加上不知因子數量要達什麼水平才合適，要知道發掘一個有效而可靠的因子需要花費大量精力，因此今季會暫時放下這方面的工作，努力嘗試尋找其他出路。至於，「刪馬」法是一種傳統賭馬智慧，結合操練評分，是老某在今季的新嘗試。

今季投注策略將會有變，以連贏為主獨贏為副，並會將今季收支紀錄全程更新如下圖所示，但計算結果則不會再提供: