- 赔率接近 2.00 时，100 次投注的 ROI 误差范围为 ±19.6 个百分点（95%）。
- 要看出 5% 的真实优势，需要约 1,500 到 2,500 次投注。
- 评判分析师或模型要看其可验证的样本，而不是一次连胜或截图。
需要多少次投注才能知道你在赢？
比你想要的更多。
这是诚实的回答。
本文用数字把它说清楚。
设想你已经投了 100 次，而且一直在赢。
你感觉很好。
问题是：这是实力，还是一次连胜？
要回答它，有一个简单的工具：ROI 的标准误差。
它告诉你，仅凭随机性，你测得的结果会与真实结果相差多少。
文中赔率 2.00 和 1.90、优势 2%、5% 或 10% 的例子都是用于说明的假设，并标明了“示例”。
它们不是任何投注者的结果。
教育性内容，仅限 18 岁以上人士。
什么是 ROI 的标准误差
ROI 是你赚的钱除以你投的钱。
如果每场比赛投 1 个单位，它就是每次投注的平均盈利。
这个平均值是有噪音的。
每次投注都是全有或全无。
你要么赢“赔率减 1”，要么输 1。
这种大幅跳动让平均值需要很长时间才能稳定。
公式是：单次投注的标准差除以 N 的平方根。
赔率 2.00、真实优势 5% 时，单次投注的标准差接近 1 个单位（99.9%）。
因此投注 100 次时，标准误差约为 10 个 ROI 百分点。
对照表：各样本量下的误差范围
我们为每次投 1 个单位、真实优势 5% 的情形计算了标准误差。
最后一列是 95% 置信区间的范围：你测得的 ROI 加减这个数。
| 投注次数（赔率 2.00） | 标准误差 | 95% 误差范围 |
|---|---|---|
| 50 | 14.1 个百分点 | ±27.7 个百分点 |
| 100 | 10.0 个百分点 | ±19.6 个百分点 |
| 200 | 7.1 个百分点 | ±13.8 个百分点 |
| 500 | 4.5 个百分点 | ±8.8 个百分点 |
| 1,000 | 3.2 个百分点 | ±6.2 个百分点 |
| 2,000 | 2.2 个百分点 | ±4.4 个百分点 |
| 5,000 | 1.4 个百分点 | ±2.8 个百分点 |
| 10,000 | 1.0 个百分点 | ±2.0 个百分点 |
赔率 1.90 时结果类似，稍小一些。
100 次投注时，标准误差为 9.4 个百分点，误差范围为 ±18.5。
1,000 次投注时，为 3.0 个百分点和 ±5.9。
看 100 次投注那一行。
±19.6 个百分点的误差范围意味着，5% 的真实 ROI 既可能测成 +25%，也可能测成 −15%。
实际上，你什么也分辨不出来。
根据真实优势，需要多少次投注
现在反过来问。
如果你的真实优势是某个大小，需要多少次投注才不会被随机性掩盖？
我们计算了两个数字。
最低值：测得的 ROI 与真实值一致，且 95% 区间刚好位于零之上。
以及现实值：以 80% 的概率检测到这个优势（单尾检验，5%）。
| 真实优势 | 赔率 2.00 最低值 | 赔率 2.00 80% 概率 | 赔率 1.90 最低值 | 赔率 1.90 80% 概率 |
|---|---|---|---|---|
| 10% | 380 | 612 | 338 | 544 |
| 5% | 1,533 | 2,467 | 1,371 | 2,207 |
| 2% | 9,600 | 15,452 | 8,621 | 13,875 |
看看这张表是怎么下降的。
优势翻倍，所需样本降到四分之一。
小优势需要巨大的样本。
换成时间来想。
如果你每周投 5 次，1,500 次投注就是将近六年。
所以几乎没人能仅凭自己的结果来证明自己的优势。
随机性也会造就冠军：一个分析师的例子
假设没有任何分析师有优势。
每个人在赔率 2.00 下命中率都是 50%。
在 100 次投注中，仍会有一些人表现亮眼。
我们计算了命中率 50% 时 100 次中猜中 60 次或更多的精确概率。
结果是 2.84%。
这相当于赔率 2.00 下 +20% 的 ROI。
现在设想 100 名毫无实力的分析师。
其中至少有一人猜中 60 次的概率是 94.4%。
其中一位会拿出无可挑剔的截图。
100 次投注中 55% 的命中率（赔率 2.00 下 ROI 为 +10%），纯靠运气发生的概率是 18.4%。
每五六个毫无实力的故事里就有一个看起来是这样。
所以一个好月份什么也证明不了。
如何用这些数字评判分析师
有了以上内容，你就有了一把尺子。
它适用于任何向你展示战绩的分析师、频道或群组。
- 数投注次数：不到 500 次只是轶事。不到 100 次说明不了任何问题。
- 要求提供赔率：没有赛前公布的赔率，就无法计算 ROI。
- 要求提供全部历史：删除输掉投注的分析师看起来会好得多。
- 与随机性比较：他们的 ROI 是否落在上表的误差范围之外？
- 不要轻信截图：截图展示的是一天，而不是一个样本。
在如何识破假分析师一文中，你可以找到具体的信号。
如果想把分析师和模型做比较，请看AI 对比分析师。
再看 Gambeta 的战绩记录：数字说明了什么
我们对别人要求严谨，在这里也同样适用。
我们用代码计算公开战绩记录的 ROI，并向你解释方法。
数据：公开战绩记录文件，截至 2026 年 10 月 28 日。
自 2026 年 3 月 21 日以来共有 1,594 个推荐。
我们剔除了 33 个未结算和 22 个已作废的推荐。
剩下 1,539 个已结算的推荐。
命中率 55.6%，公布的平均赔率为 1.83。
计算按每个推荐固定投 1 个单位、以公布赔率计，不含佣金。
| 战绩记录数据（截至 2026 年 10 月 28 日） | 数值 |
|---|---|
| 已结算的推荐（赢或输） | 1,539 |
| 命中率 | 55.6% |
| 每个推荐固定 1 个单位的 ROI | −0.02% |
| ROI 的标准误差 | 2.4 个百分点 |
| 95% 置信区间 | −4.7% 至 +4.7% |
结论很清楚。
用这个样本，既不能断言模型在赢，也不能断言它在输。
它的 ROI 与零无法区分，与 +4% 也无法区分。
这不是最终结论。
战绩记录仍在增长，而且该计算假设固定注码和公布的赔率，而不是能拿到的最佳赔率。
你可以自己在公开战绩记录中核对。
如果等不了几千次投注，怎么办
有一些方法可以加快信号的出现。
它们并非万无一失，但有帮助。
- 对照收盘赔率衡量：如果你的赔率经常优于有效市场的收盘赔率，这比结果更快地给出信号。我们在赔率变动中作了解释。
- 使用概率，而不只是结果：把你估计的概率与公平价格比较。
- 保持整洁的记录：用一份记录表记下每次投注的赔率、注码和结果。
- 同时使用小注码：在不冒资金风险的情况下积累样本。
要计算每次投注的期望值，请使用EV 计算器。
想了解途中出现的连败，请读连败：连续输几次才算正常。
接下来读什么
现在你知道小样本会骗人。
下一步是了解市场带来了什么信息，以及为什么收盘赔率是一个有用的参照。
请继续读赔率变动：它意味着什么。
如果你想要全景，AI 投注指南把一切汇集起来。
只投你输得起的金额，如果你不再享受它，请看理性投注指南。
常见问题
需要多少次投注才能知道我的方法有效？
取决于你想检测的优势大小。
赔率接近 2.00、真实优势为 5%，需要 1,500 到 2,500 次投注。
优势为 2%，需要 9,600 到 15,500 次。
这些是本文在其假设下的计算结果。
100 次投注够吗？
不够。
赔率 2.00 时，100 次投注的 ROI 在 95% 置信度下的误差范围是 ±19.6 个百分点。
你可能是赚了 15%，也可能是亏了 15%，却毫无察觉。
什么是 ROI 的标准误差？
它是指你测得的 ROI 仅凭随机性就会与真实值相差多少。
算法是单次投注的标准差除以投注次数的平方根。
你投注得越多，它就越小。
怎么知道一位分析师好不好？
看他有多少可验证的投注、赔率是多少，以及是否在赛前发布。
50 次投注的高命中率几乎说明不了什么。
“如何识破假分析师”一文里有完整清单。
Gambeta 的战绩记录能证明模型在赢吗？
目前还不足以断言。
在 1,539 个已结算的推荐中，测得的 ROI 几乎为零，置信区间为 −4.7% 到 +4.7%。
我们如实公布这个数据：样本仍在增长。
如果我的真实优势很小，只有 1% 或 2%，会怎样？
几乎不可能靠结果来验证。
你需要几万次投注。
因此其他信号更重要，例如把你的赔率与有效市场的收盘赔率比较。