競馬AI予測

【競馬AI #19】Phase 3.5で0%的中率に - 市場効率性仮説から学ぶ

先週の実戦投票結果

前週のPhase 3.5実装からわずか1日。我々は厳しい現実に直面することになった。

投票結果：¥4,500 → ¥0回収（0%的中率）

すべての推奨馬が外れた。単なる「ハズレ」ではなく、モデルの根本的な問題を示唆する失敗である。

推奨馬の特徴分析

失敗した推奨馬を見ると、ある共通点が浮かび上がる。

人気薄馬ばかり

トリアングルレディ（函館）
  推定確率：3.00%
  推定オッズ：130倍
  EV：3.91

アジーザム（函館）
  推定確率：3.10%
  推定オッズ：110倍
  EV：3.42

パーセンタイル（小倉）
  推定確率：4.45%
  推定オッズ：98倍
  EV：4.39

共通パターン：「確率 3～4% × オッズ 100倍以上 = EV 3以上」

これらはすべて、「確率が低い割にはオッズが相対的に高い」という判定で推奨された馬たちだ。つまり、EV計算の構造上、「割安」に見える馬ばかり推奨される傾向があったのである。

市場との乖離

ここで重要な視点を導入しよう：市場効率性仮説。

JRAの競馬投票市場は、毎日何千万円も動く。その中で、機関投資家、専門予想家、一般ギャンブラーが参加し、彼らは膨大な情報に基づいてオッズを形成している。

高オッズ（100倍以上）がついている事実は、市場全体で「この馬は勝つ可能性が低い」と評価されたことを意味する。

視点評価
市場評価「この馬は勝たない」（高オッズ）
モデル評価「この馬は3～4%で勝つ（割安）」
実際の結果市場が正しかった（全て外れ）

この結果は、市場が既に「正しく」馬を評価していたことを示唆する。

根本的な問題：EV計算の構造

なぜこんなことになったのか。原因はEV計算の設計にある。

高EVの獲得方法は2つ

方法1：確率が高い
  例：30% × 4倍 = 1.2
  → 人気馬（低オッズ）

方法2：オッズが高い
  例：3% × 130倍 = 3.9
  → 人気薄馬（高オッズ）

モデルは方法2を選びやすい構造になっている。なぜなら、EV = P × O という乗算式では、低確率・高オッズの組み合わせの方が、より大きな数値を生成するからだ。

確率推定の信頼性

しかし、ここに落とし穴がある。「3%の確率」という推定自体が正しいのか、という問題だ。

推定確率 3%の根拠：
  ├─ 馬固有の過去勝率（2022-2025年のデータ）
  ├─ 騎手の勝率
  ├─ 調教師の勝率
  ├─ 馬の属性（年齢、体重等）
  └─ これらから機械学習で計算

実現確率：0%（全て外れ）

4年前のデータから計算した確率が、2026年の個別レースで機能するだろうか？答えは明らかにノーだった。

修正の流れと継続する問題

実は、この問題は前々週から存在していた。

**Phase 3.3（バグ版）**では大穴馬を8%と極度に過大評価していた。これに対して、**Phase 3.4（Classifier修正版）**では確率を2%に抑制し、特徴量も実値化した。

そして今週の**Phase 3.5（過去戦績DB版）**では、馬固有の特徴量を4種類追加し、さらなる改善を目指した。

しかし、結果は変わらなかった。全て人気薄馬で、全て外れた。

これは何を意味するのか。**「修正は表面的だった」ということだ。**EV計算の根本的な構造は変わっていなかったのである。

市場効率性仮説への傾倒

ここで考えるべき仮説がある：効率的市場仮説（EMH）。

この仮説によれば、市場で利用可能なすべての情報は既にオッズに反映されている。つまり、高オッズ = 市場が「勝たない」と判断した馬 = 勝つ可能性が低い、ということだ。

もしこの仮説が正しいなら、「高EVの割安な馬」は存在しないはずである。しかし、我々のモデルはそうした馬を探し続けていた。

今後の方向性

この失敗から学ぶべきことは多い。

検討中の改善案

  1. EV計算の根本的な見直し
    • Kelly基準の導入
    • 対数効用関数の検討
    • 市場効率性を組み込んだ補正
  2. 人気薄戦略の放棄
    • 人気馬（1～10倍）に方向転換
    • 的中率向上を優先
    • ROI低下のリスク
  3. 市場効率性の検証
    • オッズと実績勝率の相関分析
    • 過去1年のJRAデータで検証
    • 市場の非効率性の有無を確認
  4. 確率推定精度の向上
    • 古いデータ（2022年）の影響軽減
    • 時間軸の導入（最近30日重視）
    • 馬の年齢による減衰関数

外部相談の開始

現在、専門家（Gemini）への相談を進めている。この失敗をどう解釈すべきか、モデルの根本的な再設計が必要なのか、それとも別のアプローチを検討すべきなのか—これらについて、科学的なアドバイスを求めている。

読者へのメッセージ

「失敗の報告です。申し訳ありません」と言いたいところだが、実はこの失敗こそが、最も価値のある学習機会だと考えている。

我々は、最初の1週間の運の良さ（¥900 → ¥8,400）に浮かれず、その後の連続的な失敗（0%的中率）から真摯に学ぶ義務がある。

単に「モデルの精度が低い」では済まされない。なぜなら、EV計算の設計そのものが根本的に間違っている可能性があるからだ。市場が効率的に機能している中で、「割安な馬」を探すというアプローチそのものが、存在しない概念を追い求めているのかもしれない。

次週は、専門家からのアドバイスを踏まえて、新しい方向性を示したい。

まとめ

項目結果
投票金額¥4,500
回収金額¥0
的中率0%
評価完全な失敗

しかし、この失敗から学べることは計り知れない。モデル開発とは、成功よりも失敗から学ぶプロセスなのだ。

次週の改善策にご期待ください。

-競馬AI予測