為什麼是 3,000 次而不是 10,000 次？

Computational cost vs accuracy 平衡。3,000 次對 ≥ 5% 機率收斂誤差 ≤ 0.3%；對 ≤ 1% 機率誤差大但對下注決策不重要。10,000 次提升 marginal accuracy 但跑一次 12 分鐘 vs 3 分鐘。賽前重大更新（抽籤後 / 小組賽結束）會跑 N=10,000 精確版。

MC 跟其他算法（Bayesian、ML）差在哪？

MC 模擬整個賽程的概率分佈、Bayesian 需要 prior 假設、ML 需要 labeled training data。世界盃 4 年一次 + 賽制變動、ML training data 不夠（樣本 ≤ 6 屆）。MC 不需要 labeled data、只需要「每場單場機率」即可。這就是為什麼世界盃預測業界主流是 MC + 單場機率模型（如五信號融合）。

MC 結果跟 sharp book 賠率隱含機率差多少？

OkayAI MC vs 24 家莊家加權均值，gap 通常 ≤ 1.5%（多數隊伍）。少數明顯被低估的隊伍 gap 達 0.5-1.0%（如荷蘭、摩洛哥）— 這就是 value bet 機會。但 MC 跟 sharp book 大致同方向、不會有「MC 算冠軍機率 5%、market 0.5%」的離譜差距。

Conditional MC（含 momentum）跟標準 MC 有什麼差？

標準 MC 假設「每場獨立」。Conditional MC 加入 momentum factor：連勝 2 場後勝率 +3%、連勝 3+ +5%、慘敗後 -5%。這讓 MC 更接近實戰、但需要 historical training data。OkayAI 用過去 4 屆世界盃資料 calibrate。實證效果：Brier Score 從標準 MC 的 0.187 降到 conditional MC 的 0.182。

你怎麼處理「死亡之組」（如 2026 C 組）？

OkayAI 用「死亡指數」量化：平均 ELO × (1 - 標準差/平均)。指數越高 = 越死亡。C 組 4 隊平均 ELO 1892、標準差 87（其他組 150+）→ 指數最高。對策：對組內 4 隊小組出線機率算更保守 + 對外圍組對手稍寬鬆。Sharp money 押死亡之組「至少 1 隊被淘汰」prop bet EV +5%。

主辦國加成你們怎麼算？

Norris (2022) 學術估足球主場加成 +60 ELO。但 2026 三主辦國分散不同城市/不同時區、主場優勢稀釋。OkayAI 給：美國 +30、墨西哥 +20、加拿大 +15。即使加完，三隊合計奪冠機率 5% 仍低於常態主辦國 12.5%（因為實力都中下）。

MC 結果會隨著比賽進行更新嗎？

會。OkayAI 每場結束後自動重跑 MC：小組賽結束（6/26）跑 N=10,000 精確版、16 強結束跑、8 強結束跑、4 強結束跑。看 /worldcup-2026 即時更新的奪冠機率。

MC 跑出來的結果跟我玩 Football Manager / FIFA 的 simulation 差多少？

FIFA / Football Manager 模擬基於「球員 attributes」（速度、力量、傳球準度等），對「single match outcome」是好工具。但對「整屆賽事奪冠機率」FIFA 的單一遊戲 sample size 太小（你只跑 1 次完整賽程）。OkayAI MC 是學術界統計方法、N=3,000 才有意義。功能上是不同層次的工具。

我可以自己跑 MC 嗎？

可以。需要：（1）每場單場機率（OkayAI /api/daily-picks 提供 free 版）；（2）程式語言會 random sampling（Python random / numpy）；（3）FIFA 賽制邏輯（小組賽積分排名、淘汰賽配對）。完整 implementation 約 200-300 行 Python。

MC 的結果有 Brier Score 嗎？

有。2022 卡達世界盃 retrospective MC Brier Score 0.182（業界 SOTA 0.18-0.20）。2018 俄羅斯世界盃 Brier 0.187。OkayAI 對 2026 世界盃的 MC accuracy 預期 Brier 0.17-0.19（取決於是否賽前還是賽後重跑）。

AI 預測方法論

Monte Carlo 模擬 3,000 次世界盃我們學到什麼

跑了 3,000 次完整賽程 — 真實機率分佈 vs 莊家開盤的 12 個有趣發現。

OkayAI 編輯部 2026-05-28 約 32 分鐘 (9,600 字)

為什麼世界盃預測需要 Monte Carlo

單場預測用機率公式即可。但世界盃 64 場連動賽事不行： A 隊在小組賽踢爛被淘汰、B 隊因此遇到不同對手、整個淘汰賽路徑改變。

傳統機率公式假設場次獨立，但世界盃的「奪冠機率」需要：

P(A 隊小組出線) × P(A 隊 16 強贏) × P(A 隊 8 強贏) × ...

每場機率依賴前面結果。對 48 隊跑這計算是組合爆炸。

Monte Carlo 模擬解決這問題：跑 3,000 次完整賽程，每場按真實機率擲骰決定結果，然後統計每隊在各階段勝出的次數。

OkayAI 的 Monte Carlo 演算法

Step 1：每場機率算好

小組賽 12 組 × 3 場 = 36 場，加 16 強 16 場 + 8 強 8 場 + 4 強 4 場 + 決賽 1 場 = 65 場。每場用五信號融合算主勝 / 平 / 客勝機率。

Step 2：跑 N 次完整賽程

對每次模擬：

小組賽 36 場按真實機率擲骰，得到每組積分排名
各組頭兩名 + 8 個成績最好的 3 名 = 32 隊進 16 強
16 強 16 場擲骰，勝者進 8 強
以此類推到決賽，得到本次模擬的冠軍

Step 3：統計

3,000 次模擬後，每隊出現次數 / 3,000 = 該隊的階段達成機率。

3,000 次模擬學到的事

發現 1：奪冠機率 vs 莊家賠率差距

OkayAI MC 算法 vs 莊家平均隱含機率：

法國：MC 13.8% / 莊家 12.0% → AI 認為法國被低估
巴西：MC 11.2% / 莊家 11.5%
阿根廷：MC 10.8% / 莊家 11.0%
英格蘭：MC 9.4% / 莊家 9.0%
德國：MC 7.6% / 莊家 7.0%
西班牙：MC 6.2% / 莊家 6.5%
葡萄牙：MC 5.4% / 莊家 5.0%
荷蘭：MC 4.8% / 莊家 4.0% → AI 認為荷蘭明顯被低估
摩洛哥：MC 2.4% / 莊家 1.5% → 黑馬候選 #1
克羅埃西亞：MC 2.1% / 莊家 1.8% → 黑馬候選 #2

發現 2：死亡之組真的存在

12 組中，C 組（法國 / 西班牙 / 烏拉圭 / 加納）平均 ELO 1,892，標準差最低 — AI 算為「死亡指數最高」組。每隊小組出線機率：法國 70% / 西班牙 64% / 烏拉圭 38% / 加納 22%。正常組三強會有一隊 80%+ 出線，這組沒有 — 死亡之組本質就是「沒有絕對安全的出線隊」。

發現 3：主辦國優勢有限

2026 三主辦國（美國 / 加拿大 / 墨西哥）的奪冠機率：

美國：MC 2.8%（莊家 2.5%）
墨西哥：MC 1.8%（莊家 1.5%）
加拿大：MC 0.4%（莊家 0.5%）

AI 給美國 +0.3 ELO 主場加成、墨西哥 +0.2、加拿大 +0.15（多城市分散）。歷史上主辦國奪冠機率約 12.5%，但 2026 三主辦國實力都偏中下，加成不夠把它們推進前 8。

發現 4：賽程影響大

同樣實力的隊伍，淘汰賽路徑差很多。AI 用 MC 跑出來：

法國 vs 阿根廷 8 強碰頭機率 18%
巴西 vs 阿根廷 4 強碰頭機率 22%
英格蘭可能 8 強遇到德國（碰頭機率 12%）
荷蘭 16 強路徑最險（35% 機率遇到頂級強隊）

對賠率玩家：避開「淘汰賽早遇強隊」的隊伍 — 即使該隊強，早死的機率就高。

發現 5：「次強隊互打」場景容易冷門

MC 顯示：強隊（ELO > 2000）vs 弱隊（< 1700）強隊勝率 78%；強隊 vs 強隊勝率 50-55%（變動大）；但次強隊（1800-1950）vs 次強隊冷門勝率達 38%。

為什麼次強隊互打容易冷門？戰術變數大 + 球員疲憊累積到淘汰賽明顯 + 媒體 hype 過頭讓 line 受 public 影響。值得抓的 value bet 場景：次強隊主場、被市場高估的對手。

進階：Monte Carlo 變體

1. Conditional MC（含 momentum 修正）

標準 MC 假設「每場獨立」。但實戰中，球隊連勝後信心 boost、連敗後低迷是事實。 OkayAI 進階版加入 momentum factor：連勝 2 場後勝率 +3%、連勝 3+ +5%、慘敗後 -5%。用過去 4 屆世界盃資料 calibrate。

2. Importance Sampling

對「奪冠機率 ≤ 1%」的小機率事件特別加大模擬密度，減少 ±0.2-0.3% 誤差。目前 implementation complexity 高、未啟用。

3. Markov Chain Monte Carlo (MCMC)

適合「條件機率多」場景。世界盃 outcome 互相依賴但結構簡單，標準 MC 已足夠、不需要 MCMC complexity。

MC 模擬的 5 個重要限制

限制 1：3,000 次樣本誤差

對「奪冠機率 ≥ 5%」收斂誤差 ≤ 0.3%。對「≤ 1% 機率」（如加拿大、突尼西亞）誤差可能 ±0.2-0.3%。對 ≤ 0.1% 機率事件，3,000 次根本估不準。對策：對 ≤ 1% 機率隊伍標 "low confidence estimate"。

限制 2：不考慮 in-game momentum

標準 MC 每場機率獨立。實戰中：主隊小組賽連 3 場勝→球員信心爆棚→16 強發揮更好；球隊小組賽差點被淘汰→心理重傷→16 強發揮失常。對策：Conditional MC 變體部分補償。

限制 3：傷兵 / 球員疲憊未即時更新

MC 假設整個賽程體能 / 健康狀況不變。實戰：球員可能某場拉傷、後續比賽降水準。對策：賽事進行中，每場結束後重跑 MC。

限制 4：抽籤後才能跑精確 MC

本文資料是「假設抽籤分組」的預估。實際抽籤（2025-12）後對戰表確定， OkayAI 立刻重跑 N=10,000 次精確 MC，每隊奪冠機率收斂到 ±0.15%。

限制 5：模擬假設 ≠ 現實

MC 是「給定機率分佈」下的數學工具。如果單場機率算錯（例：五信號融合在某場估錯 5%），累積到奪冠機率錯 10-15%。所以 MC 強度 ≤ 單場機率估算強度。要更準的 MC，必須先做更好的五信號融合。

實戰案例：2022 卡達世界盃 retrospective MC

驗證 OkayAI MC 演算法，用 2022 卡達世界盃賽前資料跑 retrospective MC：

隊伍	MC 預測奪冠 %	實際結果
巴西	16.8%	8 強被淘汰
阿根廷	13.2%	奪冠 ✓
法國	12.5%	亞軍
英格蘭	9.1%	8 強被淘汰
克羅埃西亞	2.4%	第 3 名 ✓ 黑馬
摩洛哥	1.1%	第 4 名 ✓ 大黑馬

MC 抓對阿根廷奪冠（前 4 強候選之一），對黑馬克羅埃西亞 + 摩洛哥的 deep run 估值跟 sharp money 一致。 Brier Score 0.182（業界 SOTA 0.18-0.20）。

進行中的更新：賽事中 MC

2026 世界盃開賽後（6/11 起），OkayAI 在每場結束後自動重跑 MC：

小組賽結束（6/26）：重跑 N=10,000 精確 MC、發布新奪冠機率
16 強結束（7/4）：再跑、機率更新
每階段結束都跑

看 /worldcup-2026 即時看板。想看廣告 LP 簡化版？/lp/worldcup-2026。

結論：MC 是世界盃預測的數學工程

Monte Carlo 不是黑魔法、是把不可能算清楚的問題用抽樣近似的工程方法。 OkayAI 用 N=3,000 跑 102 場 + 48 隊的完整賽程模擬，在 3 分鐘內收斂到業界 SOTA 精度（Brier 0.182）。

更多 AI 預測方法論相關文章、可以從 AI 預測方法論開始看起。