方法論

K9 的開獎資料來自 MT 真人與 DG 真人廳方伺服器推送的 WebSocket 串流。具體流程：

1. 娛樂城登入 → 取得遊戲啟動 token
2. 載入 Laya (DG) / OFA (MT) 遊戲引擎 → 建立 WSS 連線
3. Puppeteer CDP 攔截 Network.webSocketFrameReceived
4. 解碼 JSON (MT) / Protobuf (DG) 框架
5. 冪等寫入 PostgreSQL rounds 表
6. 同時 publish 到 Redis 'round.new' 頻道

資料完整性：秒級落盤 + 冪等去重。單帳號斷線時會在 30 秒內自動重連；長時間無資料會觸發 Telegram 告警並切換備援帳號。

同一桌同一局可能從多個娛樂城帳號抓到（MT / DG 資料在廳方層面唯一）。去重鍵：

UNIQUE (provider, table_id, shoe_id, round_id)

同一局多次推送時，只保留第一次到達的 row，其他忽略。確保統計不被重複計算。

每個娛樂城的牌路節奏、洗牌週期、荷官速度都不同，K9 因此採用分館獨立策略：

分館獨立的結果：統計不混算、引擎更新可以一館一館 A/B、單館出問題不影響另一館。 策略細節為 K9 商業機密，但每一局的預測都寫入資料庫，付費會員登入後可於 app 內查看當次 session 的命中/失手明細。

final_confidence = 50 + round(|scoreB - scoreP| / total × 60)
// 上限 95、下限 50（融合後才輸出）

意義：信心 = 「訊號的一致性」，而非對結果的保證。多子策略指向同方向時信心高，彼此矛盾時信心低。

因此 Kelly 注碼計算時，信心值不能直接當機率用，要先校準再代入公式。這很重要，下面有專章說明。

K9 不在任何公開頁面展示彙總績效數字。原因很單純：短期樣本的波動極大， 任何被挑出來的區間都可能誤導判斷，而我們不想用這種方式賣東西。

我們選擇的替代方案是把原始紀錄交給你：每一次判斷在產生的當下就寫入資料庫 （時間、桌號、方向、信心分層、觸發的子策略），開牌後回填實際結果，事後不可修改。 付費會員登入後可在 app 內逐局回放自己 session 的完整紀錄 —— 包含判斷錯誤的那些局。

predictions 表（每局一列，append-only）
  ts          判斷產生時間
  provider    MT / DG
  table_id    桌號
  side        建議方向 B / P
  confidence  信心分層（訊號一致性）
  sources[]   觸發的子策略標籤
  actual      開牌結果（回填）

和局（T）在 P/B 判斷上既不算對也不算錯，於統計時排除在分母外。

百家樂原生是負期望值，Kelly 公式 f = (p·b − q) / b 需要的 p 是實際勝率，不是我們的 0~100 信心值。直接把 confidence/100 當 p 會系統性高估 Kelly fraction，讓使用者在負期望局面押過大注 — 這是多數同類產品的隱藏坑。

K9 的作法：把信心值先經過一條保守的校準曲線壓低，Kelly 只吃校準後的機率：

calibrateConfidenceToWinRate(confidence):
  confidence < 60 → p = 0.48   (負 EV 區，不下注)
  60 ≤ c < 70     → p = 0.515
  70 ≤ c < 80     → p = 0.545
  80 ≤ c          → p = 0.571

Kelly 公式：f = (p × b − q) / b
  b = 莊 0.95 / 閒 1.0
  q = 1 − p

實戰還要乘 fractional 安全係數 (0.15 / 0.25 / 0.5)
且硬性上限 5% bankroll。

意思是即使系統回報信心 70，我們內部只當 p = 0.545 去算 Kelly，而不是 0.70 — 這才是「信心值不等於機率」的實際實作。

即使訊號品質再好，百家樂仍有無法迴避的結構性問題：

• 莊抽 5% 傭金 → 實賠 0.95
• 篩選後只有 ~21% 局被出手（79% 局不打）
• 實戰變異性大、短期可能連輸 10 局 → 需搭配資金管理與 stop-loss
• 校準後的機率仍貼近五五波，任何單局判斷都可能錯

正確使用方式：訊號不足就不下、單注保守、設好止損止盈。工具能幫你控制的是曝險與紀律，不是結果。

每週回測：使用前 7 天資料跑 backtest.ts，檢查：

• 各子策略的觸發次數與表現分佈
• 融合後的訊號穩定度
• 各桌表現差異
• 信心分布是否仍呈正相關（calibration drift 檢查）

監測指標若連續 2 週偏離預期區間，會啟動策略審查。歷史審查紀錄對會員開放（email editorial@dgmtai.com）。

所有上線後預測皆入庫（PostgreSQL `predictions` 表），付費會員可：

1. 登入後在 app 桌台頁查看當次 session 的每局預測與命中結果
2. 使用信心指數分層篩選（全部 / ≥60 / ≥70 / ≥80）查看該檔紀錄
3. Email editorial@dgmtai.com 申請歷史完整 predictions dump（個人化 session 範圍）

為避免短期樣本引發過度解讀，K9 不在公開頁面展示任何彙總績效數字； 歷史樣本達統計顯著後（上線後累積 1,500+ 筆高信心出手）會另行公告完整數據。