V10 特徵再工程計劃 — 總結白皮書
日期 2026-06-21
承接 V10.0 純 Benter 賠率盲基礎，論「能否以簡單特徵擊敗它」之窮舉嘗試與誠實負面結果
版本 V10.1 至 V10.6（特徵再工程計劃，2026-06-20 至 06-21） 基礎錨點 V10.0（特徵雜湊 bb6a8f58）
樣本外時段 A：2026-03-01 至 06-13（299 場）；B：2025-09-01 至 2026-03-01（474 場）；
乾淨保留時段 C：2025-03 至 09（382 場）；D：2024-09 至 2025-03（465 場）；E：2024-03 至 09（367 場）
本篇為 V10 系列的特徵再工程篇，承接已完成的《V10.0 基礎白皮書》。基礎篇奠定了系統的紀律、框架、數學與護欄；本篇則總結 V10.1 之後逐一測試的七個候選特徵，記錄它們在演進後的紀律閘下的最終裁決，並把校準、價值投注與 Benter 第二階段三項決定性實證一併收束，給出戰略層面的結論。全文數據皆源自 registry 與內部窮舉掃描結果，不經人手輸入。
1. 摘要
V10.0 基礎篇以九萬餘組參數的窮舉，確立了一個可重現、防洩漏、四機逐位元一致的純 Benter 賠率盲基線（棄用 XGB，加權勝 22.4% / 位 49.4%）。本篇回答其遺留的核心問題：能否以一個簡單的加性特徵擊敗這條基線？
答案是否定的。在演進後的紀律閘（配對逐場信賴區間、入位同時把關、選擇性洩漏意識、決定於乾淨保留的 C＋D＋E）下，七個候選特徵——draw_eb、trip、closer_pace、closer_turns、field_rating_adv、sectional_verdict、rating_delta——全部未獲晉升（0/7）。其中兩個（draw_eb、trip）重演「時段 A 改善、時段 B 失分」的海市蜃樓；其餘五個的乾淨集勝率增量皆落在 ±1 個百分點以內、統計上與零無異。本篇同時報告三項決定性實證：（一）模型已校準良好，期望校準誤差（ECE）僅 0.23%，無需校準；（二）賠率盲模型的「價值」投注在幾乎整個格點上皆虧損，冷門高期望值組別蝕 48% 至 60%；（三）Benter 第二階段擬合得基礎模型權重 β1 約等於零，意即 V10.0 相對市場無任何增量資訊。三者交匯於同一結論：V10.0 是「賠率盲＋簡單特徵」這一類模型的天花板。 真正餘下的提升不在於再多一個特徵，而在於兩條岔路之間的戰略抉擇——更豐富的 Stage 1（唯一被證明能擊敗市場之路，但須打破賠率盲三腳架），或者運營化（預測網站與賽後認證）。本篇主張：這些「誠實的負面結果」本身極具價值，它們把資源從注定無功的方向上釋放出來。
2. 引言——基礎與核心問題
2.1 V10.0 的賠率盲基礎與三腳架原則
基礎篇把香港賽馬首選預測界定為場內排名問題：給定一場 N 匹馬，估計各馬勝出機率並選出首選。其核心是 Benter 條件邏輯回歸——每匹馬效用 Uᵢ ＝ Σₖ βₖ xₖᵢ，場內以歸一化指數（softmax）得勝出機率 P(i 勝 | 場) ＝ exp(Uᵢ) / Σⱼ exp(Uⱼ)。系統把所有「會變的東西」參數化為歷史／特徵／參數三層，以五元組 ReproKey 鎖定可重現性，並在四部 Intel 認證機上窮舉九萬餘組參數，得出穩健結論：在五個特徵下，XGB 為高方差學習器，淨負面；純 Benter 最優（構建 10.0.3：時段 A 勝 24.75 / 位 51.84，時段 B 勝 20.89 / 位 47.89，加權勝 22.38% / 位 49.42%）。
其中一條不可違背的紀律是賠率盲（odds-blind）：模型機率不得偷看賠率。這源自 Eric 的三腳架原則——模型、Eric、賠率是三條相互獨立的腳；模型若偷看賠率，這條腳便塌進市場，與市場那條腳合二為一，三腳架隨即坍塌。賠率只在第二階段（期望值／投注）使用。本篇貫徹此原則，所有特徵實驗皆在賠率盲前提下進行。
2.2 核心問題：能否擊敗它
基礎篇明言：參數空間已最優，進一步增益須靠特徵工程而非參數。它亦留下一個尚未閉合的疑問——基礎篇結尾的 draw_eb 已通過防洩漏與重現性測試，卻在兩窗閘被否決（時段 A 改善、時段 B 失分），這究竟是個別失敗，還是一整類嘗試的通病？
本篇即以「一次只變一個變量、窮舉→學習→結論→記錄」的紀律，逐一回答：在這個五特徵純 Benter 基線之上，加入一個簡單的加性特徵，能否在嚴謹的多窗、防洩漏、防選擇偏差的閘下，穩健地擊敗它？
3. 方法——紀律閘的演進
V10.0 的兩窗閘（時段 A 與 B 皆須不失分）是本系統紀律的首個實證武器。但在特徵再工程過程中，一場對抗性審查揭示這道閘力有不逮，逼使紀律閘自身經歷一次關鍵演進。本節記錄這次演進，它是理解第 4 節「全部不顯著」裁決的前提。
3.1 兩時段閘的局限：統計效力不足
對抗性審查指出三個結構性問題：
第一，我們一直在雜訊底之下作裁決。 299 場（時段 A）的勝率標準誤約為 2.4 個百分點，而候選特徵的增量（如 closer_turns 的 +0.26pp）比它小一個數量級。直接比較兩個約 22% 的原始聚合勝率，根本無法分辨任何低於 2pp 的移動。
第二，選擇性洩漏。 時段 A＋B 正是當初九萬餘組窮舉掃描的評分窗，而那次掃描同時選出了「純 Benter」與 closer_turns。換言之，A 與 B 對於模型形態的選擇而言已屬樣本內；再以它們充當晉升閘的「樣本外」仲裁，是受污染的。
第三，已編碼的閘只把關勝率（win-only）。 它只要求勝率不退步，入位率僅印出而不把關，這會默默放行「勝率升、入位率跌」的特徵，侵蝕「勝率與入位率並重」的標準目標。
3.2 演進後的紀律閘（gate.py）
針對以上三點，系統建立了新的標準閘 gate.py，具備四項特性：
- 配對逐場信賴區間。 不再比較兩個原始聚合勝率，而是對同一批場次作配對的逐場檢定（麥內瑪／McNemar 式），給出一個必須排除零的信賴區間。由於兩個模型在絕大多數場次選出相同的首選，配對的標準誤遠小於聚合標準誤，效力因此大幅提升。
- 乾淨保留 C＋D＋E 為唯一仲裁。 把受選擇污染的 A＋B 降為「對照報告」，把從未參與模型形態選擇的 C、D、E（合共約 1,214 場）列為唯一乾淨仲裁，並對它們設預算，不在每個候選上重複消耗。
- 入位同時把關。 通過條件改為「勝率顯著為正 且 入位率不顯著退步」，堵住勝升位跌的漏洞。
- 選擇性洩漏意識。 明確區分「為選模型形態而用過的窗」與「乾淨保留窗」，裁決只認後者。
3.3 統計效力的硬限制
這道演進後的閘揭露了一個無法迴避的事實：以目前約 1,200 至 2,000 場的樣本外規模，只能分辨約 1 個百分點以上的效應。任何低於 1pp 的增量，無論方向如何，都落在數據的解析度之下，統計上與零無異。這一限制是第 4 節全部七個特徵裁決的共同背景：它們的乾淨集增量無一達到 1pp。
此外，本系統沿用基礎篇的全套護欄：結構性防洩漏（累加器逐場後更新、新特徵須通過「截斷歷史」單元測試）、種子穩定性、空假設底線，以及對首選 argmax 的有種子隨機破同分——後者是為了根絕「賽果列以完賽次序排列、穩定 argsort 會挑中冠軍」這個曾同時污染過往評估的洩漏陷阱。
4. 結果一·特徵：0/7
七個候選特徵在演進後的紀律閘下全數被否決。下表為總帳（乾淨集勝率增量、裁決）：
| 特徵 | 構思 | 乾淨集勝率增量 | 裁決 |
|---|---|---|---|
draw_eb（10.1） |
檔位歷史勝率（經驗貝葉斯收縮） | 時段 A 升／B 跌的海市蜃樓 | ✗ |
trip（10.2） |
過彎外圈失地米數（弧長幾何） | 時段 A 升／B 跌的海市蜃樓 | ✗ |
closer_pace（10.3） |
後上×步速壓力 | 時段脆弱（A 跌 B 升） | ✗ |
closer_turns（10.3） |
後上×總彎角 | +0.25pp，不顯著 | ✗ |
field_rating_adv（10.4a） |
場內負磅班次位置 | −0.25pp，不顯著 | ✗ |
sectional_verdict（10.5） |
真衝／執位／受阻 | +0.08pp，不顯著 | ✗ |
rating_delta（10.6） |
班次走勢（升班／跌班） | −0.17pp，不顯著 | ✗ |
圖 1： 七個候選特徵的乾淨集勝率增量與其 95% 信賴區間總覽；每一條信賴區間皆跨越零，七者裁決一致為否（0/7）。
4.1 海市蜃樓：兩個檔位再編碼
draw_eb（V10.1）以真實歷史檔位勝率取代硬編碼的 draw_adv，採經驗貝葉斯貝塔-二項（Beta-Binomial）收縮、嚴格逐場即時計算（收縮強度 κ 為窮舉構建參數，故無擬合洩漏面）。它通過了截斷歷史洩漏測試，亦改善了時段 A（勝 +0.67、位 +1.33），卻在每一個 κ 值下都拖累時段 B（勝 −1.3 至 −1.5、位 −1.26）。這正是曾扼殺過往實戰嘗試的「時段 A 海市蜃樓／時段 B 失分」模式：場地×距離的檔位信號是近窗的人為產物，不能泛化。
trip（V10.2）以靜態賽道幾何把硬編碼檔位換成弧長失地米數，是純函數、天生防洩漏。它呈現與 draw_eb 完全相同的簽名：時段 A 改善（勝 +0.67、位 +1.33），時段 B 退步（勝 −1.06、位 −1.48）。共線性是線索——trip 與 draw_adv 相關係數 −0.73，與 field_norm_draw 相關係數 +0.75。它不過是把模型已承載的檔位軸重新編碼，沒有加入正交資訊，只能把同一條軸重新擬合到調校所用的那個窗。
兩個獨立而原理迥異的再編碼皆助 A 而蝕 B，這已不再是巧合，而是一個發現：平坦的、按馬計的檔位水平，在 V10.0 中已飽和；再編碼它無法增添穩健的樣本外邊際，只會產生窗特定的過擬合。 餘下的檔位信號（若有）不在水平本身，而在場層交互。
4.2 噪音底之下：五個低於解析度的特徵
其餘五個特徵——包括理論上最有希望的場層交互與班次走勢——皆敗於同一堵牆：效應太小，沉在數據的解析度之下。
closer_turns（V10.3，後上×總彎角，物主的過彎物理學）一度被記為計劃的首個正面結果：它在兩窗的原始讀數通過閘，且在五個獨立窗（合共約 1,987 場）勝率「五分之五不退步」（四正一平，平均約 +0.26pp）。但配對逐場顯著性檢定推翻了這個原始讀數：在乾淨保留的 C＋D＋E（n=1214），勝率增量 +0.247pp，95% 信賴區間 [−0.114, +0.608]，跨越零；入位率增量 +0.082pp，信賴區間 [−0.402, +0.567]，亦跨越零。在全部五個窗（n=1987），勝率增量 +0.252pp，信賴區間 [−0.044, +0.547]，同樣跨越零。根本原因是：closer_turns 在全部 1,987 場中只改變了 9 場的首選（七增二減），在乾淨的 C／D／E 上只有 5 場——整個「+0.26pp」僅僅建立在淨約三至五場之上，遠低於數據解析度。確定性消去了種子噪音，卻消不去抽樣噪音。這正是「逐特徵研磨一直在雜訊底之下運作」的實證。closer_pace（後上×步速）則是時段脆弱：在 B 為真、在 A 易碎，二者同加更差於任一單獨加入（彼此稀釋）。
field_rating_adv（V10.4a，場內負磅班次位置）是首個由演進後標準閘裁決的特徵，並附帶一項數據質量修正：計劃原指的 decl_wt（895 至 1492 磅）實為馬匹體重，與班次關聯的是負磅 act_wt（約 113 至 135 磅），經量程煙霧檢查抓出後重建於 act_wt。其裁決：在乾淨 C＋D＋E（n=1214），勝率增量 −0.247pp，信賴區間 [−1.086, +0.592]，不顯著（略負）；入位率 +0.247pp，信賴區間 [−0.761, +1.256]，弱正但不顯著。值得一記的是，此特徵的「槓桿有量級」——它在乾淨集重排了 27 個首選（十二增十五減），遠多於 closer_turns 的 5 個；可見「尋找重排更多的特徵」這個方法論轉向在機械上奏效，但重排的淨效果在勝率上是中性至負。受讓賽的負磅均衡機制大致有效，場內原始班次位置無法線性擊敗對手。同時須記：受污染的 A＋B 單獨會把此特徵誤判為「顯著有害」（−0.906pp，信賴區間 [−1.664, −0.147]，顯著為負），而乾淨保留集說它「中性」——這是「排除選擇污染窗」這條紀律的具體佐證。
最後兩個——sectional_verdict（V10.5，把每匹馬上仗以真實末段分段速度重新評為真衝／執位／受阻／符合，此乃舊 214 特徵模型無法吸收的信號）與 rating_delta（V10.6，班次走勢，跌班馬歷史上跑贏升班馬的軌跡信號）——理論上分別瞄準入位軸與軌跡信號，最終乾淨集勝率增量分別為 +0.08pp 與 −0.17pp，皆不顯著。
4.3 雙重發現：海市蜃樓與噪音底
第 4 節的合成發現有二。其一是海市蜃樓：任何只在單窗測試的特徵都會收進時段 A 的 +0.67 假象，而兩窗閘正確攔截；這是檔位再編碼的死因。其二是噪音底的發現：當特徵通過了海市蜃樓這一關，它們又撞上統計效力的硬限制——在目前的樣本外規模下，凡低於約 1pp 的增量皆無法與零分辨。七個候選無一逃脫這兩堵牆。
結論：在這個樣本外解析度下，沒有任何簡單的加性特徵能擊敗 V10.0。 V10.0（五特徵、純 Benter）就是模型本身。
5. 結果二·校準
既然加性特徵無法移動首選命中率，一個自然的猜想是：問題或許出在機率校準——若模型的機率系統性失準，則「價值」投注的虧損可歸因於校準偏差，而非模型本身。本節否證此猜想。
在約 38,000 個樣本外按馬預測上量度可靠度（calibrate.py），預測機率與實際勝率高度吻合：
| 預測機率 | 實際勝率 | 預測機率 | 實際勝率 | |
|---|---|---|---|---|
| 2.2% | 1.5% | 14.5% | 14.5% | |
| 4.0% | 4.2% | 20.9% | 20.8% | |
| 6.4% | 6.5% | 28.4% | 29.7% | |
| 9.8% | 9.7% | 38.6% | 39.2% |
期望校準誤差 ECE ＝ 0.23%（極佳）。擬合所得溫度 T* ＝ 0.95，約等於 1（無助益，驗證集 ECE 不變）。首選預測 21.3% 對實際 23.2%（輕微偏保守）。「期望值陷阱源於校準失準」的假設被否證——一匹模型評 6% 的馬，真的約六成之一機率勝出。
這帶來一條重要的負面推論：因為入位率在本系統中是首選 argmax 的入位率，而任何校準映射（溫度、普拉特／Platt、保序）在場內皆為單調，不能改變 argmax，故既不能移動勝率、亦不能移動入位率。校準唯一的真實槓桿在期望值／投注層與預測頁的信心／凱利注碼，絕不可當作命中率的提升手段。
校準不是下一步。
圖 2： 可靠度曲線；八個機率分箱的預測機率對實際勝率近乎落在對角線上，期望校準誤差僅 0.23%。
6. 結果三·價值與市場效率
校準既已排除，問題收窄為：一個校準良好的賠率盲排名器，能否據其「價值」（期望值）作出有利可圖的投注？本節以歷史獨贏賠率作防洩漏回測（value_backtest.py，於乾淨保留 C＋D＋E 平注每注一元），結論是斬釘截鐵的否定。
| 機率下限 | 期望值≥ | 注數 | 勝率% | 投資回報率% |
|---|---|---|---|---|
| 0.00 | 0.00 | 7540 | 3.06 | −37.5 |
| 0.05 | 0.00 | 4274 | 4.54 | −33.6 |
| 0.10 | 0.00 | 1776 | 6.98 | −34.9 |
| 0.20 | 0.00 | 296 | 12.50 | −23.5 |
| 0.20 | 1.00 | 72 | 11.11 | +2.8 |
| 0.35（保守方案甲） | 0.15 | 6 | 0.00 | −100 |
按賠率帶觀察冷門高期望值（全窗、期望值≥1.0）的問題亦已解決：
- 賠率 [1, 8)：n=12，勝率 25.0%，回報率 +85.8%（樣本極小）
- 賠率 [8, 20)：n=320，勝率 3.4%，回報率 −59.8%
- 賠率 [20, 999)：n=4660，勝率 1.1%，回報率 −48.4%
結論：投注模型的「價值」／期望值玩法在幾乎整個格點上皆虧損。 那些在期望值排名上看似誘人的高期望值冷門，正是冷門陷阱——它們蝕 48% 至 60%。模型平均而言校準良好，但當它與市場強烈分歧時，市場是對的（後段資訊：配備、晨操、資金流向）。唯一接近打和的角落是高信心×高期望值（機率≥0.20 且期望值≥1.0：+2.8%，n=72），樣本太小、噪音太大，不可信賴。
根本原因是設計使然：模型按三腳架獨立性而賠率盲；香港市場高效且抽水約 17% 至 18%。一個賠率盲模型是出色的獨立排名器，卻無法擊敗它拒絕觀看的那個市場——這與 Benter 一致，他那套有利可圖的系統把公眾賠率作為主導因子納入其中。要有利可圖地投注，必須把市場賠率折入模型（Benter 式），而這會打破賠率盲三腳架。
因此模型應如此使用：作為三腳架的排名器與決策支援（首選校準良好，約 23% 勝 / 50% 位）為其本分且勝任；不可作為獨立的價值／投注引擎；期望值與市場賠率欄保留為資訊（模型與市場的分歧處＝該深思、該由 Eric 判讀之處），而非下注信號。
圖 3： 各賠率帶的投資回報率；除樣本極小的低賠率帶外，冷門帶深陷負值（蝕 48% 至 60%），印證冷門陷阱。
7. 結果四·Benter 第二階段
第 6 節已指出，唯一被證明能擊敗市場之路是把賠率折入模型。Benter 的致勝系統正是兩個模型：第一階段為基礎的賠率盲模型（本系統＝V10.0），第二階段為一個組合邏輯回歸，融合基礎機率與公眾賠率機率：combined_i ∝ exp(β1·ln p_fund_i ＋ β2·ln p_public_i)，場內歸一化指數，β1、β2 由保留場以條件邏輯回歸最大概似擬合。Benter 的邊際在於 β1 遠大於零——他的基礎模型承載了群眾錯失的資訊。本節以開關式架構（stage2.py）建立此層並實證檢驗 V10.0 是否具此邊際。
在一組窗擬合 β1、β2，於另一組互斥窗測試（兩個獨立切分）：
| 擬合 → 驗證 | β1（基礎） | β2（公眾） | 保留集期望值≥0 回報率 | 95% 信賴區間 |
|---|---|---|---|---|
| C+D+E → A+B | −0.167 | +1.193 | +31.1%（n=47） | [−28, +93]% → 不顯著 |
| A+B → C+D+E | −0.195 | +1.146 | −37.7%（n=53） | [−74, +10]% → 不顯著 |
保留集對數損失（A+B）：基礎單獨 2.299、公眾單獨 2.039、合併 2.036。
兩個明確無誤的結論：
第一，β1 在兩個切分上皆約等於零（且為負），意即 V10.0 對市場無任何增量——公眾賠率已知的，它一概沒有額外補充。合併模型本質上約等於公眾（對數損失 2.039 降至 2.036，僅 0.1% 的微動）；公眾是遠比本模型銳利的預測器（2.04 對 2.30）。
第二，那個搶眼的 +31% 保留集回報率是噪音——其信賴區間大幅跨越零，且切換切分即翻成 −38%。這是典型的小樣本海市蜃樓（47 個邊際注），在更高期望值門檻下先塌成 1 注、再塌成 0 注。
原因與整個過程一致：Benter 的 β1 強烈為正，因其數百因子的模型找到了群眾錯失之物；本系統五特徵的基礎模型尚不夠精密，高效的香港市場（加約 17% 至 18% 抽水）早已定價其所知的一切。第二階段的開關架構雖屬健全（ENABLED=False 預設關閉、可即時切換、不需重訓、第一階段不受影響、三腳架完整可重現），但只應在第一階段獲得真實正交邊際時——即重擬合的 β1 在保留集上明確大於零時——方可開啟。在此之前，開啟它只會把排名推向市場熱門並輸給抽水。預設：關閉。
圖 4： 兩個獨立切分的 β1 皆約等於零（且為負），合併模型的對數損失幾乎等同公眾單獨，證 V10.0 相對市場無正交增量。
8. 討論與結論
8.1 V10.0 是「賠率盲＋簡單特徵」這一類的天花板
四項結果指向同一個收斂的判斷。特徵層（第 4 節）：七個簡單加性特徵全數被否決，在目前樣本外解析度下無一能擊敗 V10.0。校準層（第 5 節）：模型已校準良好（ECE 0.23%），命中率無校準可改。投注層（第 6 節）：賠率盲模型的價值投注幾乎全盤虧損，冷門陷阱蝕 48% 至 60%。市場增量層（第 7 節）：β1 約等於零，模型相對市場無增量資訊。
合而觀之：V10.0 已是「賠率盲＋簡單特徵」這一整類模型的天花板。 它是一個校準良好的優秀排名器，卻不是市場擊敗者；繼續單特徵研磨只會不斷抬高假陽性風險，而不會帶來真實邊際。逐特徵研磨應就此停止。
8.2 戰略岔路
餘下的真實提升空間不在更多特徵，而在兩條岔路之間的抉擇——這是一個設計決定，而非研磨：
岔路一·更豐富的 Stage 1。 唯一被證明能擊敗市場之路，是一個資訊上更豐富的第一階段，其重擬合的 β1 在保留集上明確大於零，再透過第二階段把市場賠率折入投注輸出。這正是 Benter 之路，但它刻意放棄賠率盲三腳架的投注輸出端。這需要的不是又一個簡單特徵，而是質的飛躍（更多、更銳利的因子）。
岔路二·運營化。 接受 V10.0 為簡單特徵類的近最優解，把資源轉向運營：預測網站、賽後認證（results-certify 紀律與分歧日誌）。這條路不嘗試擊敗市場，而是把已有的優秀排名器與三腳架決策支援落地、並建立持續監測與認證的閉環。
8.3 誠實負面結果的價值
本篇通篇是負面結果：0/7 特徵、校準無助於命中率、價值投注虧損、β1 約等於零。但這些負面結果本身極具價值。第一，它們封閉了死路——若無演進後的紀律閘，海市蜃樓特徵（draw_eb、trip）早已上線，並把窗特定過擬合偽裝成進步；若無配對顯著性檢定，closer_turns 的 +0.26pp 早已被誤收為「首個正面結果」。第二，它們重新定位了瓶頸：對抗性審查證明真正的瓶頸是測量而非模型，逼出了配對逐場信賴區間閘，這道閘的效力遠勝原始聚合比較。第三，它們把資源從注定無功的方向上釋放出來：明知簡單特徵已飽和、明知賠率盲無法擊敗市場，戰略抉擇便能聚焦於真正有槓桿之處，而非在雜訊底之下繼續徒勞研磨。
寧可記下一個誠實的負面結果，也不可賣一個會蒸發的數字——這是 V10.0 基礎篇立下的紀律，本篇以七個被否決的特徵、三項決定性實證，將它貫徹到底。
9. 參考文獻
- Benter, W. (1994). Computer Based Horse Race Handicapping and Wagering Systems. In Hausch, Lo & Ziemba (eds.), Efficiency of Racetrack Betting Markets.
- Bolton, R. N., & Chapman, R. G. (1986). Searching for Positive Returns at the Track: A Multinomial Logit Model. Management Science 32(8).
- Harville, D. A. (1973). Assigning Probabilities to the Outcomes of Multi-Entry Competitions. Journal of the American Statistical Association.
- Brohamer, T. Modern Pace Handicapping.
- racing_engine 內部文件：
V10.0_whitepaper.zh-HK.md、GRIND_ROADMAP.md、V10.1_RESULTS.md、V10.2_RESULTS.md、V10.3_RESULTS.md、V10.4_RESULTS.md、CALIBRATION_AND_VALUE.md、STAGE2_FINDINGS.md、registry 及窮舉掃描原始數據。
數據來源：racing_engine 配對CI閘（乾淨保留 C+D+E）+ 校準/價值/Stage2 回測；全部已 git 提交。