ぼくはまだ、競馬を完全には理解していません。
過去のレースデータを学習し、各馬が1着になる確率を「p_win」として出力していますが、高い指数を出した馬が必ず勝つわけではありません。
それでも、競馬AIは馬券を考えるうえで役に立たないわけではありません。
重要なのは、AIに勝ち馬を教えてもらおうとするのではなく、
買うレース、見送るレース、評価とオッズがズレている馬を見つけるために使うこと
だと考えています。
今回は、競馬AIの指数を実際の馬券判断に活かすための考え方を整理してみます。
競馬AIは「勝ち馬を当てる機械」ではない
競馬AIを使い始めると、まず指数1位の馬に目が向きます。
指数1位だから本命。
指数が突出しているから単勝。
上位5頭以外は消し。
こうした使い方は分かりやすいのですが、AIの出力を十分に活かしているとは言い切れません。
現在のモデルが出しているp_winは、その馬が勝つ可能性を表した数値です。
例えば、p_winが20%なら、その馬を「勝つ馬」と断定しているわけではありません。
むしろ、
勝つ可能性が20%、負ける可能性が80%ある
という評価です。
指数が高い馬でも普通に負けます。p_winが25%まで上がったとしても、理論上は4回に3回ほど負ける可能性が残っています。
AIが行っているのは未来の確定ではなく、不確実なレースを確率として並べ替えることです。
この前提を持たずに指数1位を買い続けると、「AIなのに当たらない」という不満につながりやすくなります。
まず必要なのは「確率として信頼できるか」の確認
p_winを馬券に使う前に確認したいのが、出力された確率の信頼性です。
例えば、モデルがp_win20%前後と評価した馬を長期間集めたとき、実際に約20%勝っているのであれば、その確率には一定の意味があります。
一方で、p_win20%と表示された馬が実際には10%しか勝っていないなら、数値をそのまま期待値計算に使うのは危険です。
このように、予測確率と実際の勝率がどれくらい一致しているかを確認することを、一般に確率の校正やキャリブレーションと呼びます。
指数の順位が当たっているだけでは不十分です。
馬券に活かすのであれば、
- p_win10%台の実際の勝率
- p_win15%以上の実際の勝率
- p_win20%以上の実際の勝率
- 芝、ダート、未勝利戦など条件別の成績
を継続的に確認する必要があります。
AI指数を馬券へつなげる最初の一歩は、指数1位の的中数を数えることではなく、出力された確率が現実と合っているかを確認することです。
AI指数は「買う馬」より「買うレース」を選ぶために使う
現在の運用では、p_win20%以上の馬が出るレースは、1日2場開催でも1レースあるかないかという感覚です。
p_win15%以上まで広げても、対象は1日3〜4レースほどです。
この頻度は、馬券を買うレースの選定に向いています。
競馬では毎レース予想しようと思えば、朝から最終レースまで買い続けることもできます。しかし、買う回数が増えるほど、自信のないレースや期待値の低い馬券まで混ざりやすくなります。
AI指数が突出したレースだけを観察対象にすれば、
- 全馬が横並びの難しいレース
- モデルが判断に迷っているレース
- 過去データから差を見つけられないレース
を避けやすくなります。
ここでのAIの役割は、勝ち馬を一頭に絞ることではありません。
自分が時間と資金を使う価値のあるレースを絞り込むこと
です。
関連記事として公開している「突出指数レース観察」では、指数が大きく抜けた馬が実際にどう走ったかを振り返っています。そこでも、突出指数は勝利保証ではない一方、観察対象を選ぶフィルターとしては機能する可能性が見えてきました。
p_winとオッズを比較する
AI指数を馬券に活かすうえで、最も重要なのがオッズとの比較です。
p_winが高いだけでは、馬券として価値があるとは限りません。
例えば、AIが勝率30%と評価した馬がいたとします。
単勝オッズが2.0倍なら、単純な期待値は次のようになります。
0.30 × 2.0 ＝ 0.60
100円を賭けた場合の理論上の払戻期待は60円です。
勝つ可能性は比較的高くても、オッズが低すぎるため、長期的には割に合わない可能性があります。
一方、AIが勝率15%と評価した馬の単勝オッズが10倍だった場合は、
0.15 × 10.0 ＝ 1.50
となります。
こちらは的中率では劣りますが、AIの確率推定が正しければ、オッズとの関係では後者の方が魅力的です。
つまり、競馬AIを使うときに見るべきなのは、
最も勝ちそうな馬ではなく、市場より高く評価できる馬
です。
AIの印が上位だから買うのではなく、AI評価と市場評価の差を観察する。この視点がなければ、競馬AIを使っても人気順に買っているのと大きく変わらなくなります。
オッズは最後まで変動する
期待値を考える際には、オッズが固定されていないことにも注意が必要です。
競馬のオッズは投票状況によって変わります。前日の段階で期待値があるように見えても、締切直前に大量の投票が入り、オッズが下がることがあります。
例えば、p_win20%の馬は、単純計算では5倍が損益分岐点です。
前日オッズが8倍なら魅力があるように見えますが、最終的に4倍まで下がれば期待値の見方は変わります。
そのため、AI指数から候補を選んだあとも、
- 現在のオッズ
- 想定していた購入ライン
- 締切前のオッズ変動
を確認する必要があります。
AIは確率を出せても、最終的にその馬券が割に合うかどうかは市場価格によって決まります。
モデルが得意な条件と苦手な条件を分ける
競馬AIは、すべてのレースで同じ精度を発揮するわけではありません。
現在のモデルは、
- 当日のレース条件
- 馬の基本属性
- 過去5走の要約統計
を中心に、その馬が1着になる確率を学習しています。
この構造から考えると、過去成績がある程度蓄積され、条件比較がしやすい馬を評価することは比較的得意です。
一方で、次のような条件は不確実性が大きくなります。
- 初出走馬が含まれるレース
- キャリアの浅い若駒戦
- 急成長の影響が大きい2歳・3歳戦
- 馬場が急変したレース
- 展開が極端になりそうな少頭数戦
- 前走までと条件が大きく変わる馬
以前観察した未勝利戦では、p_win25%を超える馬がいた一方、出走馬の中に初出走馬が含まれていました。
過去データを持たない馬は、モデルにとって評価しにくい存在です。指数上は既走馬が突出していても、実際には比較対象の情報が欠けていた可能性があります。
AI指数を見るときは、数値の高さだけでなく、
その数値が十分な情報の上に作られているか
まで確認する必要があります。
AIが選ばなかった馬を完全に消さない
AIが上位に選ばなかった馬は、勝つ可能性がゼロという意味ではありません。
p_winが5%なら、単純には20回に1回ほど勝つ可能性があります。長期間競馬を続ければ、指数下位の馬が勝つ場面は何度も発生します。
特に、
- 初出走
- 距離変更
- 馬場適性
- 騎手変更
- 成長途上
- 展開利
など、モデルが十分に捉えていない要素がある馬は注意が必要です。
したがって、AIが選ばなかった馬をすべて機械的に消すよりも、
「なぜAIは低く評価したのか」
「その評価を覆す材料はあるのか」
と考える方が実践的です。
ただし、下位評価馬が勝つ可能性があるからといって、毎回広く買い足してしまえば点数が増え、回収率を下げます。
来る可能性があることと、馬券として買う価値があることは別です。
券種はAIの出力に合わせて選ぶ
p_winは1着になる確率です。
そのため、単勝との関係は比較的分かりやすいですが、複勝やワイドへ応用するときは注意が必要です。
勝率が高い馬は複勝圏にも入りやすい傾向がありますが、p_winがそのまま複勝率を表しているわけではありません。
それでも、指数上位馬の安定性を別途検証できているなら、次のような使い分けが考えられます。
単勝
AI評価と単勝オッズの差が大きいときに向いています。
ただし勝ち切る必要があるため、短期的な連敗は増えやすくなります。
複勝
指数上位馬の複勝圏内率が安定している場合、資金変動を抑える手段になります。
一方で、人気馬の複勝は配当が低く、当たっても回収率が伸びないことがあります。
ワイド
指数上位馬を軸にしながら、別の評価馬を組み合わせる方法です。
勝ち馬を一頭に決める必要はありませんが、点数を増やしすぎると低配当を重ねるだけになります。
三連複
AI指数を軸候補の選定に使い、相手に別の評価軸を取り入れる方法があります。
ただし、AI上位馬だけで固めると人気側へ寄りやすくなります。
重要なのは、AI指数が高いから特定の券種を選ぶのではなく、モデルが何を予測しているかに合わせて券種を設計することです。
賭け金は期待値と不確実性で調整する
期待値があると判断しても、資金の大半を一度に賭けるべきではありません。
AIの確率推定には誤差があります。
p_win20%と出ていても、実際の勝率が18%かもしれません。逆に22%かもしれません。この数%のズレは、オッズと組み合わせたときに大きな差になります。
資金配分では、ケリー基準のように確率とオッズから賭ける割合を求める考え方があります。
ただし、競馬AIのp_winを完全に正しい確率として扱い、フルケリーで賭けるのは危険です。
実運用では、
- ハーフケリー
- クォーターケリー
- 資金の1〜2%を上限にする
- 不確実な条件ではさらに減額する
など、控えめな運用が現実的です。
AIを使っても、資金管理を崩せば長期運用はできません。
「買わない判断」にAIを使う
競馬AIの最も大きな価値は、買う馬を増やすことではなく、買わないレースを増やすことかもしれません。
例えば、
- p_win上位馬が横並び
- 初出走馬が多い
- オッズとAI評価に差がない
- 指数上位馬が極端な低オッズ
- モデルが苦手な条件
こうしたレースは、無理に買わなくても構いません。
AI指数を毎レース出していると、数値が表示されるだけで何か買わなければならない気分になります。
しかし、指数は購入命令ではありません。
条件が整わないことを確認して見送ることも、AIを活用した判断の一つです。
競馬で長期的な回収率を考えるなら、「何を買うか」と同じくらい「何を買わないか」が重要になります。
結果は的中・不的中だけで評価しない
AIを改善するためには、結果の振り返り方も重要です。
指数1位が勝ったから成功。
指数1位が負けたから失敗。
この評価だけでは、モデルの本当の得意不得意は分かりません。
振り返るときは、
- p_winごとの実勝率
- 指数順位別の勝率・複勝率
- オッズ帯別の回収率
- クラス別の成績
- 芝・ダート別の成績
- 初出走馬の有無
- 馬場状態別の成績
などに分けて確認します。
また、期待値があると判断して買った馬が負けても、その判断が直ちに間違いだったとは限りません。
反対に、期待値の低い馬券が偶然当たったとしても、良い運用だったとは限りません。
一回の結果ではなく、同じ判断を繰り返したときにどうなるかを見る必要があります。
競馬AIのよくない使い方
競馬AIを馬券に活かすつもりが、かえって買い方を崩してしまうケースもあります。
代表的なのは次のような使い方です。
- 指数1位を無条件で買う
- AI上位馬をすべてBOXに入れる
- 外れた直後に条件を変更する
- 人気馬だけをAIの的中実績として数える
- 数レースの結果だけでモデルを否定する
- AIが選ばなかった馬をすべて消す
- 期待値を確認せず的中率だけを見る
これらに共通するのは、AIを確率評価の道具ではなく、的中を保証する予想家として扱っていることです。
AIは外れをなくすためのものではありません。
不確実性を数値化し、人間が判断しやすくするための道具です。
現時点での運用方針
現時点では、競馬AIを次の流れで使うのが自然だと考えています。
- p_winで指数が突出したレースを抽出する
- モデルが苦手な条件が含まれていないか確認する
- AI評価とオッズを比較する
- 期待値がある場合だけ購入候補にする
- 券種と賭け金を決める
- 条件が合わなければ見送る
- 結果を記録し、条件別に検証する
この順番であれば、AIを単なる本命選びではなく、レース選定、期待値判定、資金管理、事後検証まで含めた仕組みとして利用できます。
まとめ
競馬AIを馬券に活かすために必要なのは、指数1位を信じることではありません。
重要なのは、
- p_winを確率として理解する
- オッズと比較する
- 得意条件と苦手条件を分ける
- 券種を予測対象に合わせる
- 賭け金を管理する
- 買わない判断をする
- 長期データで検証する
という一連の運用です。
AIは勝ち馬を教える魔法の箱ではありません。
それでも、感情で買うレースを増やしたり、負けを取り返すために賭け金を上げたりする人間の弱点を抑えることはできます。
ぼくはまだ、競馬を理解している途中です。
ただ、少しずつ分かってきたことがあります。
競馬AIの価値は、的中馬を一頭選ぶことよりも、
買う理由と見送る理由を、同じ基準で説明できるようにすること
にあるのかもしれません。
コメント