AI が外した時、何が起きているのか — 不的中レースの 3 パターン分析

業界に存在しない「不的中の分析記事」を書く理由

競馬予想配信業界には「当たった予想だけスクショ残して、外れたものは削除」という運用が横行しています。これでフォロワーには「全部当たってる」ように見えますが、実際の累計回収率は隠されています。

Stride AI は逆方向。全予想を不的中含めて公開することで、「累計 ROI 116% は本物」を証明しています。さらに本記事のように不的中を分析する記事を出すサイトは、私の知る限り業界に存在しません。

本記事では、実運用で発生した不的中レースを 3 種類のパターン に分類し、それぞれ「なぜ AI は当てられなかったのか」を技術的に解説します。

不的中の 3 パターン

パターン A: 展開負け (頻度 40%)

最も多いパターン。AI 評価は正しかったが、レース展開が予想と異なったケース。

LightGBM モデルは「馬の能力 + 騎手 + コース適性」を学習しています。当日のレース展開は事前に観測できない変数です。

• 内枠が逃げる/外枠が早めにポジション取り → 展開の有利不利は事前に分からない
• 大穴馬が突然ハナを取る → AI モデルの過去傾向に反する動き

対策: 過去レースから「平均ペース」を特徴量化、複勝戦略の並行運用 (2-3 着でも回収)。実は単勝推奨を複勝まで広げると連対率 35%に跳ね上がります。

パターン B: 馬場・コンディション不適 (頻度 30%)

天候や馬場状態の変化に AI が追いつけなかったケース。

原因:

• 当日朝の馬場状態変化は予想生成時 (深夜) には未確定
• 馬場状態別の勝率は特徴量にあるが、「直前の馬場変化」までは追えない

対策: 発走 30 分前の馬場状態確定後に再予想を強化 (現在 10 分前/3 分前に再計算する仕組みあり)、「同馬場状態 N 走以上のサンプルがある馬」を優先推奨。

パターン C: モデルの過信 / 直前の状態変化 (頻度 30%)

馬個体の当日の状態の変化に AI が気付けないケース。

原因:

• パドック画像/映像情報を AI モデルが取り込んでいない
• 馬体重の前走差は見ているが「毛づや」「発汗」「気合いの乗り」は無視
• 当日朝の調教師コメントや厩舎情報も取り込めていない

対策: コンピュータビジョンによるパドック解析 (3-6 ヶ月後の実装計画)、当日朝のスポーツ新聞コメントを NLP で取り込む (中期改善案)。

「当てに行く」と「期待値プラスを狙う」の違い

ここで重要な誤解を解いておきます。Stride AI の推奨は「絶対当たる馬」を選んでいるのではありません。

正しくは 「長期的に、期待値プラスになる馬を選んでいる」 です。

これは投資の世界で言う「プラスサム戦略の継続」と同じ概念。

外れた 82 回を見ると「AI は外しまくっている」と感じますが、当たった 18 回の配当が大きいので、長期的にはプラスになります。「外す」のは戦略上の前提です。

不的中をモデル改善にフィードバックする方法

実運用では、月末に以下のフローでモデルを再学習しています:

1. 不的中レースの分類毎週末、その週の不的中レースを 3 パターンに分類
2. パターン別の頻度集計「今月は展開負けが 6 件、馬場不適が 4 件、状態変化が 5 件」という具合に集計
3. 該当パターンの特徴量補強頻度の多いパターンに対応する特徴量を追加 / 改修
4. 月次再学習過去 3 年データ + 新規追加特徴量で LightGBM を再フィット

このサイクルを 2 年継続することで、Stride AI の CV ROI は 108% → 116% まで改善しました。

ユーザへの提案

本記事を読んでくれた競馬ファンの方へ:

• 連敗を冷静に受け止める: 3 連敗、5 連敗は普通にあります。戦略上正常。
• 不的中 = AI 精度不足ではない: 展開負けや状態変化は AI の責任ではない。
• 期待値プラスの戦略全体で評価する: 1 レースではなく、100 件・500 件・1000 件のスパンで判断。

まとめ

• 不的中は「展開負け / 馬場不適 / 状態変化」の 3 パターンに分類できる
• 公開することで信頼性証明 + モデル改善の燃料になる
• AI の役割は「全部当てる」ではなく「期待値プラスをキープし続ける」
• 毎月の再学習サイクルで不的中分析を AI 改善に活用
• ユーザは長期視点で累計 ROI を見ることが重要

毎日の AI 推奨と不的中の全件公開は トップページ で見られます。