術語表條目
布萊爾分數 Brier Score
機率預測的準確度評分——預測機率與實際結果之間的均方差。數值越低越好；滿分為0，最差為1。Closelook為每一則Predictions預測同時計算布萊爾分數與對數損失（log-loss），讓公開計分板獎勵校準能力，而非盲目自信的錯誤。
由英文原文自動翻譯。 閱讀英文原文 →
定義與背景
布萊爾分數用於評分機率預測：對於每一個二元事件，你預測其機率為p，待事件結果揭曉後（0或1），誤差即為(p − 結果)2。將所有預測的誤差取平均，即得到介於0（完美校準）與1（完全錯誤）之間的布萊爾分數。與單純的準確率不同，布萊爾分數同時懲罰過度自信與信心不足——若你以90%的信心押注某結果卻猜錯，其代價會比以60%信心押注卻猜錯更高。
布萊爾分數可拆解為可靠度（你所預測的70%機率事件，是否確實有70%的時候發生？）與解析度（你是否能區分可能與不可能的結果？）。結合對懲罰自信但錯誤的預測更為嚴厲的對數損失，它已成為預測競賽業界的標準指標，從Metaculus到氣象機構皆廣泛採用。看似聰明卻使布萊爾分數 > 0.25 的預測，通常並不比擲硬幣更準確。
對投資人的意義
投資本質上就是一種偽裝的預測：每一筆交易都隱含著一次機率下注。多數投資人從不為自己的預測計分，因為表達意見遠比接受校準檢驗來得舒服。Closelook的Predictions子站正是為了扭轉這種習慣而存在——每一則預測都附帶明確的機率、時間範圍與失效條件，公開計分板則依布萊爾分數加對數損失排名。一位準確率普通但校準精準的預測者，往往勝過一位聲量響亮卻準確率參差不齊的預測者。
相關概念
布萊爾分數與Alpha（風險調整後的超額報酬，是校準式預測在財務上的對應概念）以及Closelook模式庫背後的方向性Alpha（Directional Alpha）框架相關聯。