指数は単勝・複勝・ワイドのどれに向いているのか｜AIの確率と馬券種の相性を考える

競馬AIで指数を出していると、次に考えたくなることがあります。

「この指数は、結局どの馬券に使うのが一番よいのだろうか」

指数1位を単勝で買う。

指数上位馬を複勝で買う。

指数1位と2位をワイドで組み合わせる。

どれも自然な使い方に見えます。

実際、指数上位馬が頻繁に馬券内へ来ているなら、

「単勝より複勝の方が向いているのでは？」

とも感じます。

一方で、指数が勝つ確率を推定しているのであれば、

「本来は単勝用なのでは？」

とも考えられます。

さらにワイドになると、1頭ではなく2頭の関係まで考えなければなりません。

指数という一つの数字を、

単勝、複勝、ワイド。

どの馬券にも同じように使ってよいのでしょうか。

今回は、

指数は単勝・複勝・ワイドのどれに向いているのか

を、予測している確率と馬券の仕組みから考えてみます。

まず「その指数は何を予測しているのか」を確認する

最初に確認したいのは、

指数が何を意味しているか

です。

例えばAIが、

p_win = 0.25

という数字を出しているとします。

これが、

その馬が1着になる確率を25％と推定している

のであれば、予測対象は「勝利」です。

この場合、最も直接的に対応する馬券は単勝です。

単勝は、

1着になる馬を当てる馬券

だからです。

一方、複勝で必要なのは、

その馬が馬券圏内に入る確率

です。

仮に3着までが対象なら、

p_place

のような別の確率が欲しくなります。

そしてワイドで必要なのは、

選んだ2頭がともに馬券圏内へ入る確率

です。

つまり、

• 単勝 → 1着確率
• 複勝 → 馬券内確率
• ワイド → 2頭が同時に馬券内へ入る確率

と、実は予測したい対象が違います。

ここを無視すると、

「指数1位だから何でも買える」

という考え方になってしまいます。

p_win型の指数なら単勝が最も素直

仮に指数が勝率を推定しているなら、理論上は単勝との相性が最も分かりやすくなります。

例えば、

AI推定勝率：20％
単勝オッズ：6.0倍

だったとします。

単純化すると、

0.20 × 6.0 ＝ 1.20

となります。

AIの20％という確率推定が正しいなら、期待値は1を上回ります。

一方、

AI推定勝率：20％
単勝オッズ：3.0倍

なら、

0.20 × 3.0 ＝ 0.60

です。

同じ馬、同じ指数でも、こちらは買いにくくなります。

単勝では、

AIの勝率推定と市場のオッズを直接比較できる

という大きなメリットがあります。

これはp_win型指数にとって非常に分かりやすい使い方です。

「指数1位＝単勝を買う」ではない

ただし、

p_winを出しているから単勝向き

と、

指数1位を毎回単勝で買えばよい

は別です。

例えば、

A馬：p_win 0.35
B馬：p_win 0.20
C馬：p_win 0.15

だったとします。

A馬は明確な指数1位です。

しかし単勝オッズが1.8倍なら、

0.35 × 1.8 ＝ 0.63

です。

AIの確率が正しければ、かなり低い数字になります。

反対にC馬が単勝10倍なら、

0.15 × 10 ＝ 1.50

です。

この場合、

最も勝ちそうなのはA馬でも、馬券として面白いのはC馬

ということがあります。

指数順位と期待値順位は同じではありません。

単勝へ指数を使うなら、

「指数1位を買う」

より、

p_winとオッズの差を見る

方が本来の使い方に近いと思います。

それでも複勝の方が「指数が当たっている」と感じやすい

指数を公開していると、

「1着には来なかったけれど3着だった」

というケースはよくあります。

例えばAI指数1位の馬が、

2着。

3着。

4着。

を繰り返す。

すると、

「単勝だと外れるけれど、複勝ならかなり当たるのでは？」

と考えたくなります。

これは自然です。

強い馬を上位に並べることができているなら、勝てなくても馬券内へ残るケースは増えるからです。

そのため、

勝率予測モデルでも、複勝馬券に一定の有効性を持つ可能性

はあります。

ただし、ここには注意点があります。

p_winと複勝率は同じではない

勝ちやすい馬は、一般的には馬券内にも入りやすいでしょう。

しかし、

勝つ確率と3着以内に入る確率は別物

です。

例えば2頭の馬がいます。

A馬

勝率：25％
2着以下になると大きく崩れやすい

B馬

勝率：15％
勝ち切れないが2、3着には頻繁に来る

この場合、p_winならA馬を高く評価するかもしれません。

しかし複勝向きなのはB馬かもしれません。

競走馬には、

• 勝つときは強いが凡走も多いタイプ
• 勝ち切れないが安定して好走するタイプ

があります。

勝利だけを目的変数にして学習すると、

「3着以内へ安定して入る能力」

を完全には表現できない可能性があります。

複勝用ならp_placeを作った方が自然

もし本気で複勝を研究するなら、

単勝用のp_winをそのまま使うより、

馬券内確率を別に予測する

方法が考えられます。

例えば学習データを、

1着 → 1
2着 → 1
3着 → 1
4着以下 → 0

のようにして、

p_place

を予測します。

すると、

p_win＝勝つ確率

p_place＝馬券内へ入る確率

という二つの尺度を持てます。

例えば、

馬	p_win	p_place
A	0.28	0.48
B	0.18	0.55
C	0.12	0.36

なら、

単勝ではA。

複勝ではB。

という評価になる可能性があります。

この違いは非常に面白いところです。

「p_winが低いから複勝向き」ではない

ここで一つ注意したいことがあります。

単勝で買いにくい馬を、

「じゃあ複勝にしておこう」

と機械的に変更することです。

例えば、

p_win＝0.08

だから単勝では不安。

だから複勝。

という考え方です。

しかし、p_winが低い理由が、

そもそも能力評価が低い

からなら、複勝でも期待値が高いとは限りません。

複勝へ変更すると的中条件は緩くなりますが、その分オッズも下がります。

重要なのは、

当たりやすくなることではなく、その確率に対してオッズが高いか

です。

単勝と同じように、

複勝でも本来は、

馬券内確率 × 複勝オッズ

を見る必要があります。

複勝は「守りの馬券」なのか

複勝は単勝より的中しやすいため、

「守り」

というイメージがあります。

確かに資金推移は比較的穏やかになりやすいかもしれません。

しかし、

的中しやすい＝期待値が高い

ではありません。

例えば、

馬券内確率70％
複勝オッズ1.2倍

なら、

0.70 × 1.2 ＝ 0.84

です。

かなり頻繁に当たっても、長期的には資金が減る可能性があります。

逆に、

馬券内確率35％
複勝オッズ3.5倍

なら、

0.35 × 3.5 ＝ 1.225

です。

的中率は低くても、価格次第ではこちらの方が面白くなります。

単勝でも複勝でも、

確率と価格の比較

が基本なのは変わりません。

ワイドになると一気に話が難しくなる

では、ワイドはどうでしょうか。

例えばAI指数が、

1位 A馬
2位 B馬
3位 C馬

だったとします。

最も簡単な使い方は、

指数1位－2位のワイド

です。

実際、上位2頭がともに強ければ、ワイド的中も期待できそうです。

しかし、ワイドは単勝や複勝とは少し性質が違います。

必要なのは、

A馬が馬券内になる確率

だけではありません。

B馬が馬券内になる確率

だけでもありません。

必要なのは、

A馬とB馬が同時に馬券内へ入る確率

です。

ここが重要です。

ワイドは「2頭分の複勝」ではない

例えば、

A馬の馬券内確率：70％
B馬の馬券内確率：60％

だったとします。

単純に、

0.70 × 0.60 ＝ 42％

と計算したくなります。

しかし競馬では、2頭の結果は完全に独立ではありません。

例えばA馬とB馬がどちらも逃げ馬なら、

激しい先行争いになったときに2頭とも崩れるかもしれません。

反対に、

A馬が逃げ。

B馬が差し。

なら、異なる展開で好走できる可能性があります。

さらに、3着以内に入れる馬の数そのものが限られています。

つまり、

それぞれの複勝確率を掛ければワイド確率になる

とは単純には言えません。

ワイドを本格的に扱うなら、馬同士の関係も考える必要があります。

指数上位2頭だからワイド向きとは限らない

指数1位と2位がかなり強く見えるレースがあります。

例えば、

A：p_win 0.35
B：p_win 0.30
C：p_win 0.08

なら、

A－Bワイド

は魅力的に見えます。

一方、

A：p_win 0.25
B：p_win 0.14
C：p_win 0.13
D：p_win 0.12
E：p_win 0.11

なら、2位以下はかなり接戦です。

この場合、

「指数2位だからB」

と決める根拠は弱くなります。

ワイドを指数で買うなら、

順位そのものより上位馬同士の指数差

も見た方がよさそうです。

例えば、

• 1位と2位が抜けている
• 3位以下との差が大きい
• 1位の信頼度が高い

というレースなら、上位2頭ワイドの意味が強くなります。

ワイドでは「軸の安定性」が重要になる

ワイドは2頭とも馬券内へ入る必要があります。

そのため、

どちらか一方が飛ぶと外れます。

例えば指数1位の馬が、

勝つ確率は高いものの、

勝てないときは大きく崩れるタイプ

だった場合、単勝には向いていてもワイドの軸には向かない可能性があります。

反対に、

勝ち切れないけれど、

2着・3着へ安定して来る馬

ならワイドの軸には使いやすくなります。

つまりワイドで欲しいのは、

p_winだけではなく、

「馬券内から外れにくい確率」

です。

この意味でも、p_placeのような指標が役立ちます。

単勝・複勝・ワイドで欲しい指数は違う

理想を言えば、馬券種ごとに必要な確率を用意した方が自然です。

馬券	欲しい予測
単勝	1着確率
複勝	馬券内確率
ワイド	2頭同時馬券内確率

これを見ると、

一つの指数ですべての馬券を攻略しようとすること自体が少し乱暴

なのかもしれません。

もちろん、一つの強さ指数を作り、そこから各馬券へ応用する方法もあります。

しかし、本当に期待値を比較するなら、予測対象を合わせた方が分かりやすくなります。

では「順位指数」ならどう考えるか

すべての指数が確率とは限りません。

例えば、

A馬：85
B馬：76
C馬：68

というような独自スコアの場合です。

この数字が、

「85％で勝つ」

という意味ではないなら、オッズとの期待値計算には直接使えません。

この場合はまず、

指数ごとの実績を調べる

必要があります。

例えば、

指数順位	勝率	複勝率
1位	32％	65％
2位	18％	48％
3位	12％	37％
4位以下	―	―

と集計します。

さらに、

• 単勝回収率
• 複勝回収率
• 1－2位ワイド回収率

を比較すれば、

その指数が実際にどの馬券へ向いているのか

が見えてきます。

指数の作り方だけから結論を出すより、実際の結果で確認する方が確実です。

単勝向きの指数とは

単勝に向いている指数には、次のような特徴が考えられます。

• 1位馬の勝率が明確に高い
• p_winと実際の勝率が近い
• 人気よりAI評価が高い馬を拾える
• オッズ帯別でも回収率が崩れにくい
• 指数差が大きいほど勝率も上がる

特に重要なのは、

確率の校正

です。

例えば、

p_win 0.20前後の馬が、実際にも20％程度勝っている。

p_win 0.40前後なら、実際にも40％程度勝っている。

この関係が確認できれば、単勝オッズとの比較に使いやすくなります。

単勝は、確率予測型AIの性能を最も素直に試せる馬券ともいえそうです。

複勝向きの指数とは

複勝向きなら、

• 指数上位馬の複勝率が高い
• 勝ち切れない馬も高く評価できる
• 凡走リスクの低い馬を見つけられる
• 人気薄でも馬券内へ入る馬を拾える

といった特徴が欲しくなります。

例えば指数1位の勝率は25％しかなくても、

複勝率が70％あるなら、

かなり安定した評価かもしれません。

ただし回収率まで見る必要があります。

人気馬ばかりなら、

複勝率70％でも収益につながらないことがあります。

見るべきなのは、

的中率＋回収率

です。

ワイド向きの指数とは

ワイドでは、さらに条件が増えます。

例えば、

• 1位馬の複勝率が高い
• 2位・3位馬も一定以上の複勝率
• 上位馬同士が同時に好走する
• 上位2頭が抜けたレースを識別できる
• 人気薄の相手候補を拾える

などです。

特に面白いのは、

指数1位を軸にして、どの順位まで相手にするか

という研究です。

例えば、

• 1位－2位
• 1位－3位
• 1位－4位
• 2位－3位

などを比較します。

的中率だけなら広げるほど上がります。

しかし買い目を増やせば購入金額も増えます。

そのため、

的中率ではなく回収率で比較する

必要があります。

1位－2位ワイドは本当に優秀なのか

指数を使っていると、最も試したくなるのが、

指数1位－2位ワイド

です。

分かりやすく、買い目も1点。

上位2頭が馬券内に入れば的中します。

しかし、本当に優秀かどうかはデータを見なければ分かりません。

例えば100レースで、

1位－2位ワイド的中：45回

だったとします。

的中率45％。

かなり高く見えます。

しかし平均払戻が1.8倍なら、

単純化すると、

0.45 × 1.8 ＝ 0.81

です。

頻繁に当たっても利益にはなりません。

反対に、

的中率30％でも平均オッズ4倍なら、

0.30 × 4.0 ＝ 1.20

になります。

「指数上位だから安定」

だけでなく、価格まで見る必要があります。

上位3頭BOXはどうか

ワイドなら、

指数上位3頭BOX

という方法もあります。

組み合わせは、

1－2
1－3
2－3

の3点です。

指数上位馬が安定して好走するなら、一見合理的です。

しかし、1レースあたり3点買うため、回収率のハードルも上がります。

さらに、

1位と2位が来た。

1－2だけ的中。

というケースでは、ほかの2点が損失になります。

BOXは的中率を上げますが、

的中したときの利益まで増えるとは限りません。

指数を馬券へ変換するときは、

「何頭当たったか」

ではなく、

投入額に対していくら戻ったか

を見る必要があります。

単勝・複勝・ワイドを同じ条件で比較してみる

指数の適性を確かめるなら、同じ期間のデータで比較できます。

例えば指数1位を対象に、

単勝

指数1位を毎回100円。

複勝

指数1位を毎回100円。

ワイド

指数1位－2位を毎回100円。

として集計します。

見るのは、

指標	単勝	複勝	ワイド
購入数
的中数
的中率
購入額
払戻額
回収率
最大連敗
最大払戻

です。

これだけでも、

「単勝はブレるが回収率が高い」

「複勝は安定するが100％を超えない」

「ワイドは中間」

といった性質が見えてきます。

オッズ帯別に分けるとさらに面白い

全レースを一括で見るだけではなく、オッズ帯でも分けたいところです。

単勝なら、

• 2倍未満
• 2～5倍
• 5～10倍
• 10～15倍
• 15倍以上

など。

複勝やワイドでも、払戻価格帯別に集計できます。

もしかすると、

指数1位の単勝は5～10倍だけ強い

かもしれません。

あるいは、

指数1位の複勝は人気薄でのみ価値がある

かもしれません。

全体回収率だけでは、その指数の本当の得意分野が見えない場合があります。

p_win帯でも分けてみたい

確率指数なら、p_win帯で分ける方法もあります。

例えば、

• 0.05～0.10
• 0.10～0.15
• 0.15～0.20
• 0.20～0.30
• 0.30以上

です。

そして各層で、

• 実際の勝率
• 複勝率
• 単勝回収率
• 複勝回収率

を比較します。

すると、

「p_winが0.20を超えると単勝は過剰人気」

「0.10～0.15のゾーンは勝率こそ低いが回収率が高い」

といった傾向が見つかるかもしれません。

指数の順位だけでなく、

指数の絶対値

を見る研究です。

指数差も馬券種選択に使えるかもしれない

例えば、

A：0.30
B：0.12
C：0.10

なら、1位がかなり抜けています。

一方、

A：0.18
B：0.17
C：0.16

なら、上位はほぼ横並びです。

同じ指数1位でも意味は違います。

前者なら、

単勝A

を考えやすいかもしれません。

後者なら、

Aの単勝一本より、

上位馬を利用した複勝やワイド

の方が考えやすい場合があります。

つまり、

「どの馬券種を使うか」自体を指数差から決める

という方法もあります。

これは検証してみる価値がありそうです。

レースごとに馬券種を変える方法

一つの馬券種へ固定する必要もありません。

例えば仮説として、

1位が大きく抜けている

→ 単勝

1位の勝率はそこまで高くないが複勝圏では安定

→ 複勝

1位・2位がともに高評価で3位以下との差が大きい

→ ワイド

という使い分けも考えられます。

ただし、後から結果を見て、

「このレースは複勝だった」

と判断してはいけません。

事前に条件を決めておく必要があります。

例えば、

「1位と2位のp_win差が0.10以上なら単勝」

のようにルール化します。

そして過去データと将来データで検証します。

馬券種を増やしすぎると検証が難しくなる

単勝も買う。

複勝も買う。

ワイドも買う。

三連複も少し。

となると、どの戦略が利益を作っているのか分からなくなります。

指数の性能を確認したい段階では、

馬券種を分けて記録する

方がよさそうです。

例えば、

単勝戦略A
複勝戦略B
ワイド戦略C

と別々に集計します。

その上で、

「単勝は回収率115％だが変動が大きい」

「複勝は95％だが安定」

「ワイドは108％で中間」

という性質が見えてきます。

そこから、実際の運用方法を考えます。

「最も回収率が高い馬券」が最適とは限らない

例えば検証結果が、

馬券種	的中率	回収率
単勝	18％	118％
複勝	48％	101％
ワイド	32％	110％

だったとします。

回収率だけなら単勝です。

しかし単勝は連敗が長くなる可能性があります。

資金変動まで考えると、ワイドを選びたい人もいるでしょう。

一方、

「多少ブレても長期回収率を重視する」

なら単勝かもしれません。

つまり、

向いている馬券＝回収率が最大の馬券

とも限りません。

• 回収率
• 的中率
• 最大連敗
• ドローダウン
• 購入頻度

まで含めて考える必要があります。

指数を「当てる道具」と見るか「価格差を探す道具」と見るか

指数の使い方には、大きく二つあるように思います。

一つは、

当たりやすい馬を探すこと。

この考えなら複勝やワイドと相性がよく見えます。

もう一つは、

市場より過小評価されている馬を探すこと。

こちらでは単勝が非常に分かりやすくなります。

特にp_winがあるなら、

AI評価と単勝オッズを直接比較できます。

競馬AIで長期的な回収率を考えるなら、後者の方が重要かもしれません。

指数は、

「誰が一番強いか」

だけを教えるものではなく、

市場価格と比べるための基準

として使えます。

現時点で考えやすい結論

ここまで考えると、確率型指数については次のように整理できそうです。

単勝

最も理論的に直接つながる。

p_winを出しているなら、そのまま単勝オッズと比較できます。

ただし的中率は低くなりやすく、回収率もブレます。

複勝

指数上位馬の安定性を見る用途では使いやすい。

ただしp_winではなく、本来はp_placeが欲しいところです。

p_win型指数を流用するなら、実際の複勝率・回収率を十分検証する必要があります。

ワイド

上位馬が複数安定して走る指数なら面白い。

ただし2頭同時好走の確率が必要なため、単勝・複勝より構造は複雑です。

指数1位－2位を機械的に買うだけでは不十分かもしれません。

この競馬AIで検証してみたいこと

今後の観察テーマとしては、

指数1位を対象に、

• 単勝的中率
• 単勝回収率
• 複勝的中率
• 複勝回収率

を比較する。

さらに、

• 1位－2位ワイド
• 1位－3位ワイド
• 上位3頭BOX

も別に集計します。

そして、

• p_win帯別
• オッズ帯別
• 指数差別
• 人気別
• 距離別
• 競馬場別

まで分けてみます。

すると、

「この指数は単勝向き」

という一つの結論ではなく、

この条件では単勝、この条件では複勝

という性質が見えてくるかもしれません。

馬券種別の観察項目

検証するなら、次のような表を作っておくと分かりやすそうです。

観察項目	単勝	複勝	ワイド
対応する確率	p_win	p_place	2頭同時馬券内確率
的中率	要確認	要確認	要確認
回収率	要確認	要確認	要確認
最大連敗	要確認	要確認	要確認
オッズ帯別	○	○	○
指数差との関係	○	○	◎
確率モデルとの対応	◎	○	△
検証のしやすさ	◎	○	△

この表を見ると、p_win型指数にとっては単勝が最もシンプルです。

しかし、

シンプルだから最も儲かる

とは限りません。

結局は実データで確認する必要があります。

まとめ

指数は単勝・複勝・ワイドのどれに向いているのか。

最初に考えるべきなのは、

指数が何を予測しているのか

です。

勝つ確率を予測するp_win型の指数なら、最も直接対応するのは単勝です。

単勝では、

p_win × オッズ

という形で、AIの評価と市場価格を比較できます。

一方、複勝で本当に欲しいのは、

馬券内へ入る確率

です。

勝ち切る能力と安定して3着以内へ入る能力は完全には同じではありません。

そのため、複勝を本格的に狙うならp_placeを別に作る方法も考えられます。

そしてワイドでは、

2頭が同時に馬券内へ入る確率

が必要です。

指数1位と2位がそれぞれ強いからといって、そのワイドが必ず高期待値になるわけではありません。

こう考えると、

単勝、複勝、ワイドは単なる「リスクの違う馬券」ではなく、

それぞれ別の予測問題

なのだと思います。

それでも、最終的な答えは理論だけでは出ません。

指数1位を単勝で買った結果。

複勝で買った結果。

1位－2位をワイドで買った結果。

それぞれの、

• 的中率
• 回収率
• 最大連敗
• オッズ帯別成績
• p_win帯別成績
• 指数差別成績

を比較する必要があります。

もしかすると、

単勝は回収率が高いけれど不安定。

複勝は安定するけれど回収率が足りない。

ワイドはその中間。

という結果になるかもしれません。

あるいは、特定の条件だけ複勝やワイドが突出するかもしれません。

指数を作っただけでは、馬券戦略は完成しません。

指数を、どの馬券へ変換すると最も価値が残るのか。

そこまで観察して初めて、AIの予測を実際の馬券へつなげられるのだと思います。