競馬AIに展開を考えさせたら、回収率は下がった

競馬AI開発記録・第4話｜展開情報の追加と仮想成績

速さや対戦相手の材料を足した次は、展開の情報も試している。

前へ行く馬が多いのか。ほかの馬と比べて、どの辺を走りそうなのか。

競馬を見ていると気になるところなので、AIの材料にもしたら役に立つんじゃないか。

ただ、今回の結果はそう簡単ではなかった。追加した3方式は、どれも通算回収率が100％を下回った。

今回も過去データでの仮想購入。実際に馬券を買って負けた報告ではない。

展開の特徴量｜過去の通過順位から先行傾向を見る

今回加えたのは、過去の通過順位から作る8項目だ。

過去5走の記録を使い、前の方を走っていた割合や平均的な位置、同じレースに出るほかの馬の先行傾向などを数字にする。

ボクがレースを見て「前へ行きたい馬が多そう」と考えるような部分を、記録から扱おうとしている。

といっても、未来の展開を見通せるようになったわけではない。過去の位置取りを材料として足した段階だ。

それと、通過順位がないことは、後ろを走っていたこととは違う。直線競走など、そもそも最初のコーナーの記録を同じように扱えない場合もある。材料がないところまで、観測できた脚質として扱わないようにする必要がある。

対象は2022年1月1日〜2026年8月30日の14,525レース。各年より前のデータで学習する。

単勝の予想1位について、予想勝率×オッズが1.10以上なら100円を買った計算にする。対象と購入条件をそろえ、方式だけを比べている。

ここでの「基準」は、前回までにも登場した市場残差モデル。比較のたびに別の方式へ入れ替えてはいない。

方式	購入件数	的中件数	仮想購入額	仮想払戻額	仮想損益	回収率
基準の方式	346	86	34,600円	33,990円	−610円	98.24％
展開情報を加えた線形モデル	535	128	53,500円	48,820円	−4,680円	91.25％
展開情報を加えた木モデル	40	9	4,000円	3,020円	−980円	75.50％
基準と展開情報の木モデルを半分ずつ混ぜる	35	8	3,500円	3,420円	−80円	97.71％

前回、速さと相手の情報では、混ぜた方式が145.71％だった。

今回は混ぜても97.71％。線形モデルは91.25％で、木モデル単独は75.50％だった。

材料を増やした分だけ強くなる、とはいかないらしい。

前回のよかった方式も35件。今回混ぜた方式も35件。

件数は同じだけど、同じレースや同じ馬を選んだという意味ではない。予想が変われば、購入条件を満たす候補も変わる。

今回混ぜた方式の年別結果を見てみる。

年	購入件数	的中件数	仮想購入額	仮想払戻額	回収率
2022	25	4	2,500円	1,780円	71.20％
2023	5	3	500円	1,230円	246.00％
2024	2	1	200円	410円	205.00％
2025	2	0	200円	0円	0％
2026年8月30日まで	1	0	100円	0円	0％

200％を超えた年だけ取り出すと、すごそうに見える。でも、2023年は5件、2024年は2件だ。

いちばん購入が多かった2022年は71.20％。全部合わせると、3,500円に対して3,420円が戻り、80円のマイナスになる。

年ごとの回収率を単純に平均するのではなく、購入総額と払戻総額から計算する。ここを雑にすると、同じ結果でもよく見えてしまう。

今回の追加で回収率は上がらなかった。

でも、それだけで「競馬に展開は関係ない」と結論を出せるわけではない。今回使った材料の作り方、このモデル、この購入条件では、こうなったという結果だ。

悪くなった原因を一つに絞れる記録は、まだない。そこは分からない。

今回も、繰り返し調べている過去の期間を使った探索だ。確定した出走情報や正常完走を前提にする対象選びの制約があり、まっさらな実戦環境での成績ではない。本番モデルも変更していない。

ボクは面倒なことをAIに任せたい。でも、数字を見るところまで任せきりにして、いちばんよさそうな結果だけ採用したら危ない。

速さと相手を足した実験には、よく見える結果があった。展開を足した今回には、下がった結果があった。

両方残して、次を考える。

実際に1万円を動かす前には、予想の成績だけでなく、お金をどう分けて記録するかも必要になる。次は、用意した仮想AI財布の話を書く。

記録：EXP0003。2026年9月15日時点の保存ログを使用。各方式の金額は別々の仮想計算で、実際の購入額・払戻額ではない。