🧮 EV·市场收缩 是什么（策略解析）
一句话：把市场价当作"最强先验",让一个小模型只负责纠偏,纠偏幅度足够大才下注。
四步算法：
① 模型概率 p_model = softmax 回归预测的赛果概率。特征只有 7 个：终盘去水位概率(主/平)、中场净胜球、中场总进球、主/客方向的赛前引导降幅——全部是赛前+中场可得的信息,walk-forward 每日重训。
② 市场概率 p_市场 = 中场赔率去水位（1/赔率 归一化）。这是全市场资金共同定出的价格,内含所有公开信息。
③ 概率收缩 p_final = α·p_model + (1−α)·p_市场。α 不是拍脑袋:每天在"训练期最近15%"的数据上用对数似然挑选(0~0.6网格),实际收敛在 0.25~0.3——即模型只有两三成话语权,市场占七成多。这是欠训练模型该有的谦逊。
④ 下注规则：期望值 EV = p_final × 赔率 − 1 > τ（阈值0.05/0.10）,且赔率必须在 1.5~4 的"校准可靠带"内。两个限制都是为了避开模型最容易错的区域。
为什么必须收缩——favorite-longshot 陷阱：v0.3 的原始 EV 模型(不收缩)比盲注还差(-15%),原因是:欠训练模型在高赔率冷门上系统性高估概率,而"EV>阈值"这个选注规则恰恰专门把这些高估最严重的注挑出来。把市场价混入 75%,模型的过度自信被强制稀释,只有当模型对市场的修正"方向一致且足够大"时才会越过阈值——下的是"模型与市场的分歧",而不是"模型的幻觉"。
直觉类比：市场价 = 千万人投票出的均值;模型 = 一个只看三类指标但训练有素的实习生。α=0.3 表示实习生意见只占三成;τ 表示只有实习生强烈不同意市场时才跟单;赔率带 1.5~4 表示只在实习生历史上靠谱的价格区间出手。
与正向确认的关系：两者找的是同一类东西——中场定价异常。正向确认用人工分组(概率桶×引导方向×比分差)+阈值规则;EV收缩用回归把这些维度连续化,并用市场价自动校准。前者可解释性强、依赖边界选择;后者参数少、自带校准,代价是"为什么下这注"不如前者直白。两者在回测与模拟盘中平行对照。