只要跨過 50%，就被算進同一邊
一份預測給某事件 51% 機率，另一份給 99%，最後事件真的發生。若計分方式只看「有沒有猜對方向」，兩份預測各得一分；那 48 個百分點的信心差距，整個消失了。
Polymarket 旗下 The Oracle 在 2025 年 3 月 20 日訪談中，曾介紹一個統計儀表板。作者說明其方向命中率算法：價格高於 50% 而最後判 Yes，算正確；低於 50% 而最後判 No，也算正確。文中「一個月前仍超過九成準確」是在這個方法與當時資料下的說法。
這不是「每張標示 90% 的合約都經過驗證」，也不能當成平台在 2026 年所有題目的最新正確率。要讀懂這個宣稱，得保留統計日期、樣本和計分方式。
方向命中率有用，但它回答的問題很窄：把預測切成 Yes 或 No 之後，猜中多少次。它不會區分僥倖猜對、保守估計，或過度自信。
三個預測者都猜中九成，給的機率卻不一樣
以下是一組教學資料：100 個二元事件，最後 90 個發生、10 個沒有發生。甲、乙、丙在結果揭曉前，對每一題分別都給 51%、90%、99%。三者都跨過 50% 門檻，因此每一題都判「會發生」，最後全是九成命中。
表格可左右滑動，或聚焦後使用方向鍵。
| 預測者 | 每題給的機率 | 方向命中率 | 二元 Brier 分數 |
|---|---|---|---|
| 甲：每題都說稍微偏向發生 | 51% | 90% | 0.2421 |
| 乙：每題都說九成把握 | 90% | 90% | 0.0900 |
| 丙：每題都說幾乎確定 | 99% | 90% | 0.0981 |
最後一欄是 Brier score，中文常稱布萊爾分數。這裡使用二元事件的 0 到 1 版本：事件發生記 1，未發生記 0，把預測機率與結果的差距平方，再對所有題目取平均。分數越低，表示這組資料上的機率預測誤差越小。
乙每題都給 0.9，最後 90 題發生、10 題未發生：
［90 ×（0.9 − 1）² ＋ 10 ×（0.9 − 0）²］÷ 100＝ 0.09
丙在猜中的 90 題上很接近 1，但那 10 題沒發生的事件，原先卻被說成 99% 會發生，單題誤差平方高達 0.9801。因此，丙的總分仍比乙差。甲的 51% 則持續把這批事件看得太不確定。
這也帶到「校準」：把事前給出相近機率的事件放在一起，檢查最後發生的比例是否接近那個機率。例如，長期被估為約 90% 的事件，是否大約九成發生。這不保證每一組 100 題剛好發生 90 次；樣本少或事件彼此相關時，波動會更難解讀。
校準和 Brier 分數也不能完全畫上等號。Brier 分數還受到預測區分不同事件的能力、資料本身的不確定性影響，不能只看分數降低，就宣稱校準一定改善。上表能清楚比較，是因為三人面對同一組資料，且都給固定機率。方法定義可見 scikit-learn 的機率校準說明。
20 個選項，有 19 個本來就會輸
還有一個比公式更直觀的例子。假設一場選舉有 20 位參選人，只會有一人當選。某個模型把每人勝率都估成 5%，等於完全沒有分出誰比較有希望。
若把 20 個參選人的當選問題，各當成一題 Yes／No，再用 50% 當門檻，模型會對 20 題全部預測 No。開票後，19 個 No 正確，只有當選者那題錯誤。方向命中率竟然是 19 ÷ 20＝95%。
這個 95% 沒有幫我們挑出贏家。它提醒的是：一場事件拆成多少合約、樣本裡原本就很難發生的選項占多少，都會影響總命中率。那 20 題還共用同一場選舉結果，不能當成 20 次彼此獨立的驗證。
所以，我不會用一個沒有樣本說明的總百分比替平台排名。若要比較選舉預測，就應把可比較的選舉、選項與觀察時間放在同一套規則下，再看它是否比簡單基準更有判斷力。
結算前四小時，答案可能早就出來了
一場球賽結束後，觀眾已知道誰贏，合約卻還在等待確認與結算。此時接近 100% 的價格，可能只是在反映已公布的結果。如果把這段也算進「事前預測」，成績自然很好看。
前述訪談也談到這個問題：事件發生與市場完成結算之間可能有時間差，作者因此採不同觀察時距，並對部分圖表另作篩選。這些處理不等於所有圖表共用同一批樣本；讀數字時還要看各圖的說明。
要比較一個月前、一天前和一小時前的預測，我會先確認時間是倒數到「答案可被知道」，還是倒數到「平台完成結算」。也要確認三個時距是否用了同一批事件。只有活得夠久的市場，才有一個月前的價格；不同題目混在一起，不能直接推論市場越接近結果就一定越準或越不準。
對單一事件而言，90% 也保留了未發生的可能。一次落在那個較少見的結果，不能單獨證明機率有問題；反過來，猜中一次，也不能驗證它原本就值得九成把握。
就算真的猜對九成，買太貴仍然會虧
最後把統計換回交易。假設買 100 份不同事件的 Yes，每份猜中取得 1 美元結算價值，猜錯為零，而且最後恰好 90 份猜中。先不算手續費與其他成本：
表格可左右滑動，或聚焦後使用方向鍵。
| 每份買入價 | 總成本 | 總結算價值 | 費用前損益 |
|---|---|---|---|
| 0.90 | 90 | 90 | 0 |
| 0.95 | 95 | 90 | −5 |
第二列沒有猜得比較差，只是買得比較貴。第一列也只打平，加入交易費後就會轉虧。因此，「市場經常猜中」和「這個價格值得買」之間，還差了成本與機率估計這兩步。
我會把方向命中率當成起點，接著找固定時點的機率紀錄、結果與樣本清單。這些資料齊全，才有辦法檢查它的九成把握是否可靠。至於一筆交易能不能獲利，還得把你的實際買價放回去算。
來源與算例方法
文內三個預測者、20 位參選人及 100 筆交易都是明確設定的教學算例，沒有宣稱重現 Polymarket 的歷史績效。本文不報告平台目前的總準確率。
展開統計定義與計算口徑
- The Oracle：How Accurate is Polymarket?（2025/3/20）。用於說明受訪作者當時的方向命中率定義，以及事件揭曉與市場結算的時間差。這是平台刊出的訪談，不是本站獨立驗證的績效報告，也不推定現行儀表板沿用全部相同設定。
- scikit-learn：Probability calibration。用於校準定義與 Brier 分數解讀限制。
- scikit-learn：Brier score loss。本文採二元事件常用的 0–1 版本，即平均（預測機率 − 實際結果）²，不與 0–2 尺度混用。51%、90%、99% 三列依同一組 90 個 1、10 個 0 計算，沒有估計參數或抽樣回測。
- 交易算例只計買入合約價格與約定結算價值；假設每份都能按指定價格買入、結算價值按 1：1 美元等值計，未含交易費、入出金、匯兌、滑價及資金等待成本。