穴イチは、何を見て予想するのか。

馬の成績だけでなく、市場の評価も使う

モデルに渡す情報には、競馬場、芝・ダート、距離、馬場状態、枠番、馬番、性齢、斤量、馬体重と増減が含まれます。過去走では前走の着順、上がり3ハロン、距離変更、出走間隔、馬・騎手・調教師の累積成績を扱います。

オッズや人気も入力に含みます。そのため、AIの評価を「市場情報から完全に独立した勝率」とは表現しません。市場の評価と過去データの関係を学び、条件に対して評価差のある候補を探す設計です。

LightGBMで勝率を推定し、レース単位で調整する

学習には、表形式データを扱う機械学習ライブラリのLightGBMを使用しています。モデルが出した値をそのまま断定的な勝率として扱うのではなく、レース内の合計が整うように確率を調整する処理を設けています。

確率を調整しても、現実の勝率と一致する保証はありません。「予測12%」の馬が多数のレースで約12%勝っているかなど、予測と観測結果を分けて確認する必要があります。詳しくはスコアと確率の違いで説明します。

過去の情報だけで検証するための設計

過去実績は時間順に集計し、予測するレースの結果をそのレースの特徴量へ混ぜない設計にしています。学習・検証・評価も時系列を意識して分割します。未来の結果を先に知った状態では、実際の予想能力を測れないためです。

ただし、設計方針と、すべての入力で漏れがないことの証明は別です。取得時点のオッズ、同日中の成績反映、欠損値、取消馬などを含めた継続的な確認が必要です。「未来情報の混入を完全に排除した」と無条件に保証するものではありません。

勝率 × 単勝オッズで、候補を比較する

単勝の期待値は、推定勝率を小数に直し、単勝オッズを掛けて求めます。計算例として、勝率12%・オッズ10.0倍なら0.12 × 10.0 = 1.20です。これは的中率120%という意味ではありません。

発走前にオッズが8.0倍へ下がれば、同じ勝率でも期待値は0.96になります。候補を選んだ時刻とオッズを一緒に残すことが重要です。期待値の計算ツールでは、この変化を試せます。

公開しているものと、準備中のもの

• 公開中：サービスの考え方、競馬AIの解説、週末7R〜12Rの全レースAI競馬新聞（5頭印＋1000文字見解コラム）および結果アーカイブ。
• 開発している機能：データ収集、特徴量生成、学習・推論、期待値と資金配分のシミュレーション。
• 提供範囲：機械学習による客観的な勝率・期待値の推定および見解コラムの提供。馬券の直接購入や利益保証は行いません。

レース終了後に確定結果を自動反映し、的中・不的中および回収率を記録しています。実績を評価する基準に基づき、客観的な検証を行っています。