預測市場的賠付由現實決定，所以 edge 的來源是對現實的認知落差，不是技術型態。這篇建立一個訊號源的分類學，每一類回答三個問題：延遲多少、可靠度多少、怎麼變成一個機率數字。
這篇的立場是：「訊號」不是原始資料，是一個帶時間戳、帶信賴度的機率更新。 一個新聞標題不是訊號，「這則新聞把 P(E) 從 0.42 更新到 0.61，信賴度中等」才是。中間那一步的設計，是整個系統的核心。
訊號的三個屬性
在分類之前，先定義三個必須對每個來源量測的數字：
| 屬性 | 定義 | 為什麼重要 |
|---|---|---|
延遲 d | 現實發生 → 你的系統知道 | 決定你能不能搶到 |
市場延遲 D | 現實發生 → 市場價格反映 | D − d 才是你的時間窗 |
資訊量 I | 觀察到這個訊號後 q 的期望更新幅度 | 決定值不值得建管線 |
D − d 是被大幅低估的量。 大多數人只優化 d（更快的資料源），但如果市場也一樣快，D − d = 0，再快也沒用。真正的機會在「市場反應慢的來源」，而那通常是冷門、結構化、沒有人在推特上轉發的官方來源——這是 條款推導來源 那篇的全部立論。
I 決定優先順序。 一個延遲 1 秒但資訊量微小的來源（如社群情緒），價值低於一個延遲 5 分鐘但直接決定結算的來源（如官方統計發布）。
八類訊號源
一、官方／權威資料發布（延遲低、可靠度極高、資訊量極高）
各國統計局、央行、選委會、NOAA、法院系統、公司投資人關係頁面。
d：可到秒級（有 API 的來源）。D：通常比d大得多，因為多數參與者透過新聞媒體轉述才知道。- 可靠度：接近 1，尤其當結算條款直接指名這個來源時——此時它不是「證據」，它就是答案。
- 機率化：多數情況是確定性的（發布值 vs 條款閾值），
q直接跳到 0 或 1（再乘上1−β）。
這是資訊量最高的一類，也是最被低估的一類。 見 下一篇。
二、新聞與新聞線（延遲低、可靠度中、資訊量中高）
d：秒到分鐘（RSS、新聞 API、通訊社）。D：對熱門市場幾乎為零（有大量機器人在做同一件事），對冷門市場可以是數小時。- 可靠度問題：新聞會更正、會誤報、會重複報導同一件事讓你以為有新資訊。
- 機率化：需要事件抽取 →「這則新聞是否構成條款所述的事件」→ 一個帶信賴度的更新。
工程要點（去重）：同一個事實會以幾十種措辭出現。必須做事件層級的去重，而不是文章層級——否則你的系統會把「20 家媒體轉載同一則路透報導」誤讀成 20 個獨立證據，把 q 推到荒謬的位置。做法是抽取 (主體, 動作, 客體, 時間) 四元組後做語義去重，並只計入第一個獨立來源。
三、體育即時數據（延遲極低、可靠度極高、資訊量極高）
比分、時間、球員狀態、場上事件。
d：官方資料源可到毫秒級，但商業 API 有分級——付費的快、免費的慢好幾秒。D：在流動的體育市場上非常小，這是競爭最激烈的一類。- 機率化：成熟的即時勝率（win probability）模型是公開技術，各大聯盟都有。這一類的
q估計是解決過的問題。
推論：體育類市場的 edge 不在勝率模型，而在別的地方。 因為勝率模型是商品化的，大家的 q 都差不多。真正的 edge 在 到期前的行為性扭曲 與 跨場館的賠率關係，不在「我的模型更準」。
四、博彩賠率（延遲低、可靠度高、資訊量高）
d：賠率 API 秒級。- 可靠度：博彩公司的賠率是經過大量真金白銀壓力測試的機率估計，去除抽水後是很強的基準。
- 機率化的陷阱：去抽水（devig）的方法選擇，本身會製造假的 edge。 等比法、冪次法、Shin 法給出不同的機率，而它們的差異恰好在極端價格處最大，也就是最容易被誤認為長尾偏誤的地方。
這是 Shin-z 收斂策略 的主題。
五、鏈上資料（延遲極低、可靠度極高、資訊量視市場而定）
d：可以做到區塊確認前（mempool），對於「某地址是否會執行某操作」類的市場是決定性的。- 可靠度：鏈上狀態是可驗證的事實，不需要信任中介。
- 機率化：多數是確定性的閾值判斷。
最重要的鏈上來源不是加密市場的價格，是 UMA 預言機合約本身。 ProposePrice、DisputePrice 事件是所有市場（不只加密類）結算過程的即時狀態，見 提案信譽搶跑。這是一個所有人都能訂閱、但很少人訂閱的來源。
六、民調與預測模型（延遲高、可靠度中、資訊量中）
d：小時到天。D：也很慢，因為民調本身是慢變數。所以D − d可能仍然是正的，但時間窗長、競爭者多。- 可靠度問題：家族效應（house effect）、無回應偏誤、加權方法差異。單一民調的資訊量遠低於直覺。
- 機率化：民調平均 → 誤差模型 → 機率。關鍵是誤差模型不是民調本身——歷史上民調的系統性偏誤幅度，決定了從「領先 3 個百分點」到「勝率 62%」的映射。
這一類的 edge 極少來自「更快拿到民調」，幾乎全部來自「更好的誤差模型」。 也就是說它是估計層的競爭，不是資料層的競爭。
七、社群情緒（延遲極低、可靠度低、資訊量低但非零）
d：秒級。- 可靠度：低，且可被操縱——這是它與其他來源的本質差異。有人可以為了影響市場而製造社群訊號。
- 資訊量：對「某人是否會說某句話」「某事是否會被廣泛報導」類的市場（Mentions 類別）是直接相關的；對「某政策是否通過」是幾乎無關的。
正確用法是當成領先指標的觸發器，不是機率的直接輸入。 社群異常 → 觸發對權威來源的密集輪詢，而不是社群異常 → 直接改 q。這個設計把一個低可靠度的來源，變成一個高價值的注意力分配器。
八、氣象與物理系統（延遲低、可靠度極高、資訊量極高）
NOAA 等官方 API 提供已經是機率形式的集合預報。
- 這是唯一一類「資料源直接給你
q」的市場。 - 推論：氣象市場是純粹的模型對決，沒有資訊不對稱可言。 每個人都能拿到同一份集合預報。edge 只可能來自更好的後處理（把集合預報校準到條款定義的閾值），或者來自別人根本沒在看。
氣象是驗證整條 pipeline 的最佳沙盒：ground truth 明確、樣本量大（每天都有）、q 有客觀基準、條款通常極清晰（β ≈ 0）。建議任何新系統先在氣象市場上跑完 400 筆校準檢定，再碰其他類別。
分類總表
| 來源 | d | D − d | 可靠度 | 資訊量 | 競爭 | 機率化難度 |
|---|---|---|---|---|---|---|
| 官方資料發布 | 秒–分 | 大 | 極高 | 極高 | 低 | 低（確定性） |
| 新聞 | 秒–分 | 小（熱門）／大（冷門） | 中 | 中高 | 極高 | 高（需事件抽取＋去重） |
| 體育即時 | 毫秒 | 極小 | 極高 | 極高 | 極高 | 低（模型已商品化） |
| 博彩賠率 | 秒 | 中 | 高 | 高 | 高 | 中（devig 方法會製造假 edge） |
| 鏈上 | 亞秒 | 大（非加密市場） | 極高 | 視市場 | 低 | 低 |
| 民調 | 時–天 | 中 | 中 | 中 | 中 | 高（誤差模型是關鍵） |
| 社群 | 秒 | 小 | 低（可操縱） | 低 | 極高 | 極高 |
| 氣象 | 分 | 中 | 極高 | 極高 | 低 | 極低（已是機率） |
讀這張表的方式：找 D − d 大、競爭低、機率化難度低的格子。答案是官方資料發布、鏈上、氣象——三個都是結構化的、不性感的、沒人在推特上討論的來源。
從訊號到 q：三種合併模式
模式一：確定性覆寫。 官方來源發布了條款所指的數值 → q 直接跳到 1−β 或 α。用於官方發布、鏈上、已完成的體育賽事。這是最有價值的模式，因為它沒有估計誤差。
模式二：貝氏更新。 訊號提供一個似然比，更新對數勝率：
ℓ_new = ℓ_old + ln(LR)
LR 需要校準——「這類新聞出現時，事件最終發生的頻率 vs 不出現時的頻率」。沒有校準的 LR 是純粹的猜測，而多數 LLM 驅動的系統就是在這裡崩掉：它們讓模型直接輸出一個新的 q，而不是輸出一個可以事後檢驗的 LR。
輸出 LR 而不是 q 是一個重要的設計選擇：LR 是可以獨立累積校準紀錄的，q 不是（因為 q 混合了先驗與證據，你無法事後分辨是先驗錯了還是證據解讀錯了）。
模式三：模型輸出。 體育勝率模型、氣象集合預報、民調誤差模型直接給 q。此時訊號管線的工作是把模型的輸出對齊到條款的定義——這通常比模型本身更容易出錯（例如模型算的是「A 隊獲勝」，條款問的是「A 隊在正規時間內獲勝」）。
一個貫穿的工程原則
訊號管線的產出必須是可事後檢驗的原子單位（
LR或確定性事實），不是一個籠統的q。
因為 校準 需要歸因。如果你的系統只記錄「模型說 0.63」，你永遠無法知道問題出在哪一個訊號源。如果它記錄「先驗 0.42，新聞 A 給 LR=2.1，官方資料 B 給 LR=1.3，後驗 0.63」，你就能對每一個來源獨立算校準，然後關掉沒有價值的那些。
這在 系統藍圖 裡是估計層的介面規格。
這篇的重點
- 訊號 = 帶時間戳與信賴度的機率更新，不是原始資料。
D − d（市場延遲 − 你的延遲）才是機會窗，優化d而不看D是徒勞。- 最好的來源是官方發布、鏈上、氣象——結構化、低競爭、機率化容易。
- 新聞必須做事件層級去重，否則轉載會被誤讀成獨立證據。
- 體育的 edge 不在勝率模型（已商品化），在行為性扭曲與跨場館關係。
- devig 方法本身會製造假 edge，且方向與長尾偏誤混淆。
- 社群情緒當觸發器，不當機率輸入。
- 訊號管線輸出
LR，不輸出q——這樣才能對每個來源獨立算校準。
下一步：把結算條款當成資料管線的規格書——本專欄第一個原創設計。