現行モデル (registry 管理)

本サイトの予想は以下のモデルで生成されています。履歴と差し替えは tools/registry_cli.py 経由で管理。

モデル ID	`chihou_20260717_main_f152`
種別	dict_boosters (5 seed)
特徴量数	152
学習日	2026-07-17
本番反映日	2026-07-17

図解：AIが予想を出すまで

むずかしい数式は抜きにして、Stride AI が「期待値プラスの1点」を選ぶ流れを 5 ステップ で説明します。

STEP 1

📊

データを集める

過去のレース結果・オッズ・騎手や馬場など、勝敗に関わる情報を大量に収集します。

STEP 2

🧠

AIが学習する

機械学習（LightGBM）が「どんな条件の馬が勝ちやすいか」のパターンを自動で学びます。

STEP 3

🎯

勝率を予測する

各馬の「本当はどれくらい勝ちそうか」をAIが％の数値で推定します。

STEP 4

⚖️

オッズと比べる

「AI勝率 × オッズ」で期待値を計算し、市場（みんなの予想）との歪みを探します。

STEP 5

✅

妙味馬だけ推奨

期待値がプラス（割に合う）の馬だけを「買い目」として公開します。

かんたんに言うと？

Stride AI は「当てにいく」のではなく「割に合う（期待値プラスの）馬券を選ぶ」AIです。たとえば AI が「勝率15%」と見た馬が単勝10倍で買えるなら、期待値は 0.15×10−1＝+0.5（＝賭け金の150%が長期平均リターン）。こうしたプラスの馬券だけを買い続けることで、長期的な回収率100%超を目指します。3回に2回は外れますが、当たったときの大きな配当で取り返す設計です。

使用しているAIモデル

本サイトの予想は、勾配ブースティング決定木の高速実装である LightGBM (lambdarank) を用いた機械学習モデルによって生成されています。

119

学習特徴量

馬の過去成績、騎手・調教師の最近の調子、コース適性など

160K+

学習レコード数

2023年4月以降の南関東+愛知・兵庫の全レース

19,800+

学習レース数

統計的に十分な信頼性

3年

学習期間

市場構造の変化を捉えるため定期再学習

直近の検証テスト結果

下記は 学習に使わなかった検証データ（—）で評価した結果です。本サイトの推奨はこのモデルに基づいて自動生成されています。

0.8522

AUC（識別力）

0.5=ランダム、1.0=完璧。0.85以上で実用域、0.90以上で高精度

168,241

学習サンプル

過去レースの馬データ

—

検証サンプル

学習に未使用の独立データ

—

検証期間

時系列分割でリークなし

戦略別シミュレーション結果

各戦略について、検証期間の全レースに適用した過去データ上の的中率と回収率です。回収率が100%を超えるのはバックテスト上の話で、理論上は100%超なら長期利益が見込めますが、実運用の累計回収率は現時点で100%未満(検証中)です。バックテストと実運用の乖離こそ重要な検証対象だと考えています。

戦略	ベット数	的中数	的中率	回収率
各レース AI1位馬の単勝	5,166	2,332	45.1%	81.3%
AI勝率15%以上の1位馬の単勝	5,135	2,326	45.3%	81.4%
AI勝率20%以上の1位馬の単勝	5,131	2,326	45.3%	81.4%
AI勝率25%以上の1位馬の単勝	5,116	2,323	45.4%	81.5%
AI勝率30%以上の1位馬の単勝	4,962	2,276	45.9%	81.5%
期待値プラスの1位馬の単勝	3,281	448	13.7%	81.9%
期待値+10%以上の1位馬の単勝	2,033	191	9.4%	85.0%
期待値+20%以上の1位馬の単勝	1,257	84	6.7%	98.4%

※ 上記は過去データでのシミュレーション結果であり、将来の運用結果を保証するものではありません。

特徴量カテゴリ

馬個体の能力過去N走の勝率・3着内率・平均着順、累積成績、近走着順の安定性、上り3F平均、推定タイム指数
騎手・調教師の調子直近10/20/50走の勝率、コース別勝率、調子の上昇トレンド
コース適性同距離・同馬場・同コース種別での過去成績
市場情報単勝オッズ、人気、レース内相対評価
レース条件距離、コース種別、馬場状態、天候、クラス、出走頭数
馬体・斤量馬体重、増減、斤量、前走比、休養日数

バックテストの考え方

時系列分割2023年4月～2025年7月を学習、2025年8月以降を検証データとして分離
各foldごとにオッズモデルを再フィット未来のオッズが予測に漏れないよう分離
確定オッズで払戻計算予想時オッズではなく確定後のオッズで実際の払戻を再計算
ケリー基準でベット額を決定1/20ケリーで資金管理、破産確率を実質ゼロに

運用実績（確定オッズベース）

408

累計買い目

8.1%

的中率

83.5%

回収率

-11,050円

累計収支

※ サンプル数が少ない時期の数値はばらつきが大きいため、長期的な傾向としてご覧ください。

サイトの更新サイクル

その日の予想はレース当日に何度も更新しています。最新のオッズや出走情報がなるべく反映されるように設計しています。

朝

初版予想

出走表が出揃い次第、その日の全レースを一括で予想して公開します

2時間

日中の定期更新

オッズの変動を反映するため、2時間おきに残っているレースを再予想します（発走直前は別途10分前/3分前に再計算）

10分前

準直前予想

各レースの発走10分前に、実オッズ初版を取り込んで予想を更新します

3分前

直前予想

各レースの発走3分前に、確定間際の最終オッズで予想を再計算します

月1回

モデル再学習

前月までの全レース結果を加えて、AIモデル全体を再学習します

朝のオッズは仮や未公開の場合があります。発走30分前以降の表示が、より実態に近い数字です。

モデル運用で行っていること

毎日のデータ収集前日までの全レース結果・確定オッズ・払戻・出走馬データを自動取得し、データベースを更新します
当日朝の一括予想その日の全レースに対して、過去成績と前日までの傾向を反映した予想を生成します
日中の継続更新オッズが動くたびに期待値が変わるため、2時間ごとの定期更新に加え、各レース発走10分前と3分前にも最新オッズで再計算します
結果の照合と記録各レース確定後、推奨買い目と実際の払戻を照合し、運用実績ページに反映します
月次のモデル再学習過去3年分のレースを使ってAIモデルを再フィット。馬・騎手・コースの最新傾向を取り込みます

特徴量重要度

次回のモデル再学習後に top 20 特徴量を公開します。LightGBM の gain ベースの重要度を、全 booster で平均した値です。

モデルの限界・注意点

予測勝率はあくまで参考値で、100%確実な予測はできません
締切前のオッズ変動で期待値プラスが消滅することがあります
出走取消・除外馬は推奨対象から外れます
市場構造の変化（騎手引退・コース改修等）で過去傾向が変わることがあります
累計買い目が数百を超えるまでは統計的なばらつきが大きくなります