競馬AIに速さと相手の情報を追加。回収率145％でも、まだ喜べない

競馬AI開発記録・第3話｜特徴量の追加と仮想成績

前回の検証では、基準にしている競馬AIの回収率は98.24％だった。

あと少しに見える。じゃあ、予想の材料を増やしたらどうなるのか。

今回は、過去の走る速さと、どんな相手と走ってきたかを追加した実験の記録だ。

結果には145.71％という数字が出ている。ただし、過去データで条件を満たした35件の仮想購入の話。実際にお金が増えたわけではない。

追加した特徴量｜速さと対戦相手の評価

ボクも馬柱や前走内容は見る。でも、その内容を毎回同じ基準で比べられているかというと、怪しい。

その辺を数字にして、AIの材料に足してみた。

追加したのは大きく3種類ある。

「特徴量」という、AIが予想するときに見る材料を7項目追加している。

ただ、速さの数字は、この開発で試しに作ったもの。十分に検証されたスピード指数が完成した、という話ではない。過去の条件別平均との差を使っている段階だ。

この実験には、結果が出る前の失敗も残っている。

追加した指標の件数を保存するときに、数値の型が合わず、処理が止まった。

ボクから見ると件数は件数なんだけど、プログラムの中では同じ整数でも種類が違うらしい。集計に使う仕組みの整数を、そのままJSONという記録形式に保存できなかった。

修正内容は、保存前にPython標準の整数へ変換すること。その後の実行では、2022〜2026年分の比較が完了している。失敗した実行のフォルダーも残してある。

予想以前に、結果を保存できないところで止まる。こういう作業も含めての開発だ。

比較対象は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し、同じ対象レースを使っている。

単勝で予想1位の馬を選び、予想勝率×オッズが1.10以上なら100円を仮想購入する。ここも前回と共通だ。

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％
追加情報を使う線形モデル	491	124	49,100円	46,750円	−2,350円	95.21％
追加情報を使う木モデル	51	12	5,100円	4,340円	−760円	85.10％
基準と追加情報の木モデルを半分ずつ混ぜる	35	11	3,500円	5,100円	＋1,600円	145.71％

線形モデルは、材料ごとの重みを学ぶ方式。木モデルは、条件を分けながら学ぶ方式だ。

材料を増やした2つの単独モデルは、どちらも100％を下回った。混ぜた方式だけがプラスになっている。

どれも同じレースを調べているけど、購入条件を満たす馬は変わる。購入額が違うのはそのためで、この表の金額を全部合算して運用成績にはしない。

よかった方式を年ごとに分けると、こうなる。

年	購入件数	的中件数	仮想購入額	仮想払戻額	回収率
2022	18	5	1,800円	2,260円	125.56％
2023	9	4	900円	1,920円	213.33％
2024	4	1	400円	410円	102.50％
2025	4	1	400円	510円	127.50％
2026年8月30日まで	0	0	0円	0円	算出なし

2023年は200％を超えている。でも9件だ。2024年と2025年はそれぞれ4件。2026年分に至っては、条件を満たす購入がない。

通算35件で11件的中。購入した候補の的中率は31.43％になる。

数字だけなら気になるけど、この少なさで「これからも145％で回る」とは言えない。2026年の回収率を0％と書くのも違う。買っていないので、計算する分母がない。

今回も、すでに何度か調べている過去の期間を使っている。まったく見ていない期間で、最後に一度だけ試した結果ではない。

対象レースの選び方や、確定後の情報を含む元データの制約も引き継いでいる。材料を足した効果だけを、実戦でも再現できると確認したわけではない。

この実験による本番モデルの切り替えはしていない。

ボクとしては、145％という数字は気になる。でも、材料を増やしたら全部よくなるわけではなかったし、よかった方式も購入は35件。

この結果を候補として残して、まだ見ていないレースでも通用するか確かめる必要がある。

次に見るのは展開の材料を足した実験。先行する馬が多いとか、そういうところまで見ると、もう少し変わるんだろうか。

記録：EXP0002／EXP0005。2026年9月15日時点の保存ログを使用。金額はすべて過去データでの仮想計算。AI財布の実残高には加算しない。