第 35 課整套推/棄算法其實藏著一個沒明講的前提:你算的跟注範圍、對手棄牌的機率,全部都假設對手是一個照理論範圍打牌的抽象玩家;「為什麼是這樣」那段也點出,真實對手棄得比假設寬、或跟得比假設鬆,是常態而不是例外。今天要處理的問題是:你怎麼知道眼前這個對手,棄得比較寬還是跟得比較鬆——也就是範圍偏離的方向與幅度,從哪裡量出來。
今天談的 VPIP、PFR、AF 都是描述「這個人怎麼打牌」的統計工具,不涉及任何真實下注;台灣沒有合法的現金撲克賭場,刑法第 266、268 條規範公共場所賭博與提供賭場,這裡談的是機率工程教學,不是下注建議。
📖 學
一、VPIP:自願進池的頻率,怎麼精準算
VPIP(Voluntarily Put money In Pot) 算的是:在翻牌前,這個人有多少比例的手牌,是主動選擇把錢丟進底池。公式是:
VPIP% = (翻前主動跟注的手數 + 翻前主動加注的手數) ÷ 總被發到的手數 × 100%
關鍵字是「主動」。大盲位置如果沒人加注、輪到自己時直接看翻牌(這是唯一一個不用額外付錢就能看牌的位置),這手不算進 VPIP 的分子——他沒有多付一毛錢,不算「自願」。除此之外,不論是跟注一個加注、還是自己開一個加注,都算自願把錢丟進去,都計入分子。VPIP 越低,代表這個人對起手牌的篩選越嚴格;VPIP 越高,代表他願意用很寬的牌去看翻牌。
二、PFR:VPIP 的子集,而且永遠小於等於它
PFR(Pre-Flop Raise) 只算翻前有加注動作的手數(開池加注、3-bet、4-bet 都算,只要是加注,不論是第一個加注還是再加注):
PFR% = 翻前有加注動作的手數 ÷ 總被發到的手數 × 100%
因為加注本身也是一種「自願把錢丟進去」的動作,PFR 必然是 VPIP 的子集,PFR ≤ VPIP 這件事永遠成立。兩者的差(VPIP − PFR)是一個很好用的代理指標:這個差距量的其實是「跛入(limp,只跟注不加注就進池)」的頻率。差距接近 0,代表這個人幾乎沒有跛入習慣,進池就加注;差距很大(例如 VPIP 35%、PFR 12%,差 23 點),代表他大量用跟注的方式進池,這正是後面分類矩陣裡「跟注站(calling station)」的核心特徵。
舉一個算法示範:某人被發了 100 手,其中 27 手他自願進了池(VPIP 事件),這 27 手裡有 19 手他是用加注進的(PFR 事件)。VPIP% = 27/100 = 27%,PFR% = 19/100 = 19%,差距 8 點——這是一個偏緊、進池就傾向加注的輪廓,還不能下結論,但已經有方向。
三、AF:翻牌後的侵略度,和前翻的兩個指標是不同維度
AF(Aggression Factor) 量的是翻牌後的行為傾向,公式是:
AF = (翻牌後下注次數 + 翻牌後加注次數) ÷ 翻牌後跟注次數
過牌與棄牌不計入這個比值(它們既不是分子也不是分母)。AF < 1 代表這個人翻牌後偏被動,跟注遠多於下注/加注;AF 落在 2 到 3 之間通常視為均衡;AF 3 以上代表他幾乎每次都選擇下注或加注,很少單純跟注。AF 和 VPIP/PFR 量的是不同階段的行為,兩者不必然一致——一個人可以前翻很兇(VPIP/PFR 都不低),翻牌後卻整組轉為跟注(AF 偏低),這種「前段主動、後段被動」的輪廓,單看 VPIP/PFR 的分類矩陣看不出來,必須把 AF 一起放進去看。
四、分類矩陣:VPIP/PFR 决定象限,AF 決定怎麼利用
傳統的四象限分類(緊/鬆 × 被動/主動)把 VPIP/PFR 的組合對應到幾個常見原型——完整的原型對照表、每種類型的漏洞與對策,站內 《剝削性打法》 已經整理過(Nit、TAG、LAG、Calling Station、Maniac 五類,含對應的 VPIP/PFR 區間與具體調整),這裡不重複整張表,只強調一個常被忽略的地方:那張表的行只用了 VPIP/PFR 兩個數字,沒有把 AF 放進去。 同樣是 VPIP 27% / PFR 19% 的兩個人,一個 AF 是 2.5(翻牌後持續進攻),一個 AF 是 0.6(翻牌後大量跟注),前者是典型 TAG,後者其實更接近「前翻學過理論、翻牌後不敢繼續打」的弱 TAG——兩者的漏洞完全不同,對前者要找具體節點的頻率偏離,對後者則是翻牌後可以無腦持續下注,因為他傾向跟注而非反擊。分類矩陣是起點,不是終點,這點和站內《剝削性打法》「分類只是起點,真正的剝削發生在節點層級」的結論完全一致。
五、樣本數與統計可信度:小樣本 HUD 數字為什麼不能信
VPIP、PFR 這類統計本質上是一個二項比例(某件事發生的次數 ÷ 機會次數),它的不確定性可以用二項比例的標準誤差公式算出來:
SE = √( p̂(1−p̂) / n )
95% 信賴區間 ≈ p̂ ± 1.96 × SE
p̂ 是你量到的比例,n 是樣本數(手數)。拿 VPIP 真實值 25% 當例子,代入不同的 n:
| 樣本數 n | 標準誤差 SE | 95% CI 半寬(約) | 觀測到 25% 時,真實值可能落在 |
|---|---|---|---|
| 30 手 | 7.9% | ±15.5% | 9.5% ~ 40.5% |
| 100 手 | 4.3% | ±8.5% | 16.5% ~ 33.5% |
| 500 手 | 1.9% | ±3.8% | 21.2% ~ 28.8% |
| 1800 手 | 1.0% | ±2.0% | 23.0% ~ 27.0% |
30 手的區間寬達 31 個百分點,涵蓋了從「偏緊的 TAG」到「LAG」的整個光譜——在這個樣本數上,VPIP 數字幾乎不提供分類資訊,它只是一個雜訊很大的第一印象。要把信賴區間收到 ±2 個百分點這種「可以拿來做分類判斷」的精度,大約需要 1800 手的機會數(這也是為什麼線上玩家的 HUD 軟體都會刻意標示樣本數,樣本數不足時許多 HUD 甚至會把數字標成灰色提醒你先別信)。而且這個計算本身還假設了一個不成立的前提:對手的策略在整個樣本期間是固定不變的。實際上玩家會隨籌碼深度調整(第 35 課的 M 值分區就是最好的例子:同一個人在深籌碼和短碼會打出完全不同的 VPIP),也會隨心情、對手池組成改變,真實的不確定性只會比這張純統計表更大,不會更小。
六、現場快速讀人:沒有 HUD 的時候看什麼
實體牌桌沒有資料庫幫你算 VPIP/PFR/AF,但不代表沒有可以量化的線索,只是要自己主動蒐集、心算。幾種線索的可靠度由高到低大致是:
一、累積下注模式(betting pattern):一個人這一小時裡,翻前跛入了幾次、加注了幾次、面對再加注時棄牌還是跟了幾次,這些都是可以現場默數的計次資料,本質上就是手動版的 VPIP/PFR。實體桌一小時大約只有 25 到 30 手,樣本天生就小(對照上面的表,遠不到能精準分類的門檻),但只要持續坐在桌上,計次會隨時間累積,而且你能看到每個人的完整動作(線上只看得到參與的那幾手),資訊密度其實不算低,差別只在於需要主動記而非被動讀取。
二、下注尺寸與時機的一致性:同一個人在同類型牌面用同樣尺寸下注,久了會形成可辨識的模式(例如他只在強牌時用超池下注、詐唬時用小尺寸);時機上,翻前的「秒加注」通常對應他已經想好的預設動作(強牌或固定的偷盲牌),而長時間思考後才下注,往往對應邊緣決策。這類線索需要先累積幾次同類情境的對照才可靠,單一次的尺寸或時機幾乎不能下結論。
三、生理小動作(摸鼻子、手抖、呼吸):這是大眾文化裡最被誇大的一類。專業牌手的共識(也是《Reading Poker Tells》一書反覆強調的重點)是這類線索高度依賴情境——同一個小動作在不同的人、不同的下注情境下可能代表完全相反的意思,而且在職業或高額牌桌上,對手本身就更擅長掩飾或刻意做假動作反向誤導你,可靠度遠低於前兩類。這類線索最好只當作「betting pattern 讀數不確定時的加分項」,不要單獨拿來做決策依據。
🧠 為什麼是這樣
VPIP/PFR/AF 之所以有效,是因為撲克裡同一類型的決策情境會反覆出現很多次——一個人翻前面對同樣位置、同樣籌碼深度的開池,長期下來會用近似固定的頻率反應,這個頻率本身就攜帶資訊。但這個前提同時也是它的邊界:這些統計只在「被平均的情境彼此夠相似」的時候才有意義。 把一整個晚上、橫跨深籌碼到短碼推棄的所有手牌混在一起算一個 VPIP,等於把兩種正確策略完全不同的遊戲平均成一個數字——第 35 課已經證明,同一個人的正確開池範圍會隨 M 值掉進紅色區而系統性收緊,這不是他「變保守了」,是遊戲的正確答案本身變了。真正嚴謹的讀數,應該先按籌碼深度、位置、對手數這些結構變數分層,再各自統計,而不是一個籠統的總數。
第二個邊界是對手也在讀你。分類矩陣與 HUD 讀數假設對手的打法是一個穩定、不受你觀察行為影響的過程,但在熟悉 HUD 的圈子裡,玩家會刻意打出和真實策略不符的離群頻率,專門用來汙染追蹤他的人的資料庫——這是「levelling」的一種,本質上是用你的分類工具反過來對付你。對策和上面樣本數的討論是一致的:任何單一場次、任何一段偏離平時風格的數字,都應該先問「這是真實轉變,還是刻意製造的離群值」,而近期、大樣本、多場次一致的讀數,永遠比單一場次的離群數字更可信。
✍️ 今日練習
不需要真實牌局資料庫,用手算練習抓分類與樣本數的手感。下面是一份虛構的 30 手練習記錄(某位觀察對象的動作記錄),翻前欄:F=棄牌、L=跛入跟注、R=加注;翻後欄只在該手進入翻後時才有記錄:B=他自己下注或加注、C=他跟注、X=雙方過牌(不計入 AF)。
| 手# | 翻前 | 翻後 | 手# | 翻前 | 翻後 | 手# | 翻前 | 翻後 |
|---|---|---|---|---|---|---|---|---|
| 1 | F | – | 11 | F | – | 21 | L | C |
| 2 | F | – | 12 | R | B | 22 | F | – |
| 3 | R | B | 13 | F | – | 23 | F | – |
| 4 | F | – | 14 | F | – | 24 | R | B |
| 5 | F | – | 15 | L | C | 25 | F | – |
| 6 | L | C | 16 | F | – | 26 | F | – |
| 7 | F | – | 17 | F | – | 27 | F | – |
| 8 | F | – | 18 | R | X | 28 | R | C |
| 9 | R | C | 19 | F | – | 29 | F | – |
| 10 | F | – | 20 | F | – | 30 | F | – |
步驟(全程用紙筆,不用試算表):
- 數出
翻前欄裡 L 和 R 的總筆數,除以 30,算出 VPIP%。 - 數出只有 R 的筆數,除以 30,算出 PFR%。兩者相減得到 gap。
- 用 gap 和分類矩陣(參考站內《剝削性打法》的五種原型)寫下一句判斷:這個人大致落在哪個原型附近,為什麼。
- 數出
翻後欄裡 B 的筆數與 C 的筆數(X 不算),算出 AF = B/C。 - 用第五節的 SE 公式,把你算出的 VPIP% 當作
p̂、n=30,算出 95% 信賴區間的半寬,寫下一句話:這個信賴區間有多寬,寬到會讓你的分類判斷變得多不可靠。
自我檢查
- 我算出的 VPIP 是 9/30=30%、PFR 是 6/30=20%、gap 是 10 個百分點——如果數字不同,回頭檢查是不是把某個 X 或某個 F 算錯邊了?
- 我算出的 AF 是 3/5=0.6(B=3 筆:第 3、12、24 手;C=5 筆:第 6、9、15、21、28 手;第 18 手是 X 不計),並能說出這個「VPIP/PFR 看起來偏緊偏主動、AF 卻偏被動」的組合,對應第四節提到的哪一種輪廓?
- 我用 SE 公式算出 n=30 時的 95% CI 半寬,並能具體說出這個區間寬到涵蓋了分類矩陣裡的哪幾種原型(也就是這 30 手的分類判斷目前只能當第一印象,不能當定論)?
🔗 延伸
- 德州撲克專欄 · 剝削性打法:對手分類、HUD 讀數與具體調整——完整的五種對手原型對照表(Nit/TAG/LAG/Calling Station/Maniac)、每個 HUD 統計量的門檻與偏離對策,以及現場無 HUD 讀人的延伸討論。
- 德州撲克專欄 · 讀牌與下注線推理:從動作反推範圍——把今天的分類結果,套進實際一手牌的範圍收斂流程。
- Aggression Factor in Poker — Upswing Poker 詞彙表:AF 公式與常見門檻值的定義來源。
- VPIP and PFR in Poker: Good Numbers and the Gap — PokerSkill:VPIP、PFR 與兩者差距(gap)的實務判讀討論。
💬 問 AI
我在練「玩牌技術」系列第 36 課,主題是用 VPIP/PFR/AF 分類對手,以及沒有 HUD 時的現場讀人。
我手上有一組觀察數據:VPIP [X]%、PFR [Y]%、AF [Z]、樣本數 [n] 手。
請幫我檢查這幾個問題:
1. 用第五節的二項比例信賴區間公式,這個樣本數下我這組數字的 95% CI 大概多寬?這個寬度會不會讓我的分類判斷不可靠?
2. 根據 VPIP/PFR/AF 的組合,這個對手比較接近哪個原型(Nit/TAG/LAG/Calling Station/Maniac),有沒有哪個數字組合顯得矛盾、需要更多節點資料才能確定?
3. 如果我完全沒有這些數字、只能現場觀察,我應該優先蒐集哪三種線索,分別對應到 VPIP、PFR、AF 裡的哪一個?