こんにちは。Asymmetric Edge、運営者の「K」です。
秋のG1戦線に向けた重要なステップレース、オールカマー。
毎年難解な展開になりやすいこのレースを攻略するために、オールカマーに関するAI予想の過去データを調べたり、回収率の高い無料の予想サイトや独自の買い目ロジックをWEB検索して、必死にオッズと睨めっこしている方も多いのではないでしょうか。
最近は精度の高い競馬予測アプリや機械学習モデルも増えてきており、データサイエンスの力でなんとか馬券の勝率を上げたい、過小評価されている穴馬を見つけ出したいと考える気持ち、とてもよく分かります。
私自身もデータ分析やプログラミングには強い興味を持っていて、人間の主観や感情を排除した客観的な期待値モデルを競馬の馬券戦略にどう活かせるのか、当サイト（Asymmetric Edge）でも日々試行錯誤しながら楽しんでいるんですよね。
今回は、そんなデータサイエンスの視点から、オールカマーという特殊な舞台を徹底的に解剖し、機械学習モデルの構築プロセスから実戦的な資金配分までをじっくりと深掘りしてみたいと思います。
- 中山芝2200mの物理的特徴が生み出す過酷なレース展開のメカニズム
- 過去10年の傾向から紐解く美味しい中穴馬の条件と牝馬の圧倒的優位性
- 欠損値処理や過学習防止など予測モデルを構築する際のエンジニアリングの要点
- 合成オッズと期待値の概念を用いて長期的なプラス収支を目指す具体的な馬券戦略
オールカマーのAI予想に必須のデータ
機械学習を活用したAIに精度の高い予測を出させるためには、質の高いデータ、いわゆる「特徴量」のインプットが絶対に欠かせません。ただ単に過去の走破タイムや着順を学習させるだけでは、中山芝2200mという非常にクセの強いコースの適性をモデルに理解させることは困難です。ここでは、データモデルの根幹となるコースの物理的制約や、過去10年間に潜む重要な統計バイアスについて整理していきましょう。
中山芝2200mの特徴とロンスパ戦
オールカマーの舞台となる中山競馬場・芝2200m（外回り）は、JRAの全コースの中でも特筆すべきレイアウトを持っています（出典：JRA日本中央競馬会『中山競馬場 コース紹介』）。ここをどう評価するかが、予測モデルの精度を大きく左右するんですよね。
ペースを支配する地形と息の入らない展開
まず注目したいのが、スタート地点から最初の1コーナーまでの直線距離です。ここは432mと比較的長く確保されています。一般的なセオリーで言えば、最初のコーナーまでが長いと各馬が無理なくポジションを取れるため、テンのペースは落ち着きやすくなります。
しかし、中山芝2200mの場合はその後の「地形変化」がレース全体のペースを支配するんです。外回りコースを使用するため、2コーナーから向正面、そして4コーナーにかけてのカーブが非常に緩やかに設計されています。さらに、向正面には下り坂が存在するため、道中で極端にペースが緩んで息が入る展開にはなりにくいという物理的な特徴があります。
【コース形態による必然】
道中のペースが落ちないまま推移するため、レース後半は早い段階から各馬がスパートを開始する「ロンスパ（ロングスパート）戦」になりやすいのが最大の特徴です。
求められるのは持続力と底力
後方待機の馬にとっては差し遅れのリスクが高まるため、3コーナー付近からの早めの仕掛け（マクリ）が頻繁に発生します。しかも中山競馬場の最後の直線は310mと短く、スタート直後とゴール前の計2回、高低差2.2mの急坂を上らなければならないタフな起伏が存在します。
G2というレベルの高い競走においては、単調な逃げ切りや、直線だけで一気に差し切る戦法は極めて困難になります。つまり、瞬間的なトップスピード（瞬発力）よりも、道中のタフなペースに追走しつつ最後まで脚を使い切るスタミナと底力、すなわち「末脚の持続性」が絶対的な要件となるわけです。
枠順と脚質における有利なバイアス
枠順と脚質に関するデータは、AIがレース展開をシミュレーションする上で極めて重要な特徴量となります。頭数によって傾向が大きく変わる点も面白いところかなと思います。
多頭数における内枠の圧倒的有利
14頭立て以上の多頭数で行われる場合、好走ゾーンは明確に内枠に偏る傾向が確認されています。特に1枠は勝率および単勝回収率が際立って高く、4枠までの内〜中枠が好走率のベースラインを大きく引き上げています。
一方で、スタートから1コーナーまでの距離があるとはいえ、道中で外を回らされる距離ロスが致命傷になりやすい7枠や8枠の外枠は、頭数に関わらず勝率や単勝回収率が低迷しています。ここはモデルに「条件分岐（多頭数か否か）」として組み込むべき重要なファクターですね。
脚質のパラドックス
脚質別に見ると、コース全体としては先行馬が有利な傾向（勝率10.6%、複勝率29.0%）にあります。初角を5番手以内で進められるポジション確保能力は高く評価すべきです。
しかし、多頭数に限定すると逃げ馬の成績が大きく低下するというパラドックスが存在します。タフなコース設定ゆえにマークが厳しくなる逃げ馬が最後まで持ち堪えることが難しく、内でロスなく立ち回った先行馬や、内を突いてポジションを押し上げられる差し馬に展開が向くからです。直線を大外から一気に行くような馬は割引が必要ですね。
【枠・脚質のAIへのインプリケーション】
・枠順：出走頭数を条件分岐（If条件）とした枠順の重み付けが必須。
・逃げ馬：同型馬の有無と頭数による相対化が必要。単純な「逃げ」フラグは危険。
・差し馬：単なる上がり3Fの速さではなく、上がり4〜5Fの持続力指数を重視。
過去10年の人気別成績と中穴の狙い目
AI予想を構築する際、「どの人気帯をターゲットにするか」はモデルの目的関数を定義する上で非常に重要です。当てにいくのか、回収しにいくのか、ですね。
5番人気に潜む極大の期待値
過去10年間のオールカマーの結果を分析すると、1番人気馬は3勝、2着3回（[3-3-0-4]）と比較的安定した成績を残しており、連軸としての信頼度は高いと言えます。しかし、投資としての期待値（回収率）の観点で最も優秀なのは「5番人気馬」なんです。
5番人気馬は過去10年で3勝を挙げ（[3-1-0-6]）、単勝回収率は364%という驚異的な数値を記録しています。実力があるにも関わらず、オッズの歪みによって過小評価されている馬がこの辺りに集中しやすいのでしょう。
過度な穴狙の危険性
一方で、10番人気以下の大穴馬の成績は[0-1-1-42]と極度に低迷しています。AI予想を構築する上で「過度な大穴狙いは長期的には期待値を下げる」という重要な学習要素になります。
実力が適正に評価されず中位人気に甘んじている「指数上位かつ人気薄（中穴）」の馬をターゲットにすることが、最も回収率を押し上げる戦略だと言えそうです。
年齢やキャリアから見る牝馬の優位性
年齢や出走キャリア、そして性別のデータも、オールカマーにおいては非常に偏りがあります。フレッシュな状態の馬が好走しやすい舞台なんですよね。
4歳・5歳世代の中心勢力
年齢別の成績においては、4歳馬および5歳馬が圧倒的な中心勢力となっています。勝ち馬10頭中、4歳馬が過半数の6勝を挙げており、連対率38.5%、複勝率50.0%と非常に高い水準です。5歳馬も4勝を挙げており、この2世代で過去10年の勝ち馬を独占しています。
逆に、6歳馬の複勝率は13.3%、7歳馬は6.3%と、年齢が上がるにつれて好走率は顕著に低下していきます。競走馬としてのピークを迎えつつあるフレッシュな成長段階にある馬が、タフな中山2200mで高いパフォーマンスを発揮しやすいというわけです。
キャリア15戦以内と前走成績の掛け合わせ
キャリア（出走回数）に焦点を当てると、キャリア15戦以内の馬が大半の9勝を挙げています。さらに、この「キャリア15戦以内」かつ「前走5着以内」であった馬に限定すると、昨年の勝ち馬レーベンスティールなどを含め7勝（[7-5-4-16]）を挙げており、勝率21.9%、複勝率50.0%、単勝回収値156、複勝回収値115と、非常に強力なプラス期待値ファクターとなります。
牝馬のパフォーマンスが際立つ
さらに注目すべきは牝馬の圧倒的な好成績です。出走頭数自体は牡馬・セン馬の113頭に対して牝馬は21頭と少ないものの、過去10年で5勝を挙げています。
勝率23.8%、複勝率42.9%、単勝回収率231%と、全ての指標で牡馬を圧倒しています。9月下旬という時期的な要因（仕上がりの早さや夏場の体調維持）が有利に働いていると考えられます。
ローテーションとコース巧者の傾向
前走からの間隔や、コース実績（いわゆるリピーター）も、機械学習モデルに「適性」として学習させるべき強力な変数になります。
ゆとりあるローテーションと前走実績
前走からの間隔別に見ると、中9〜24週の十分な休養を挟んだ馬が9勝（複勝率28.0%）を挙げており、レースの中心を担っています。クラス別では、前走G1組が5勝（[5-4-1-21]）で複勝率32.3%。実績馬が順当に能力を発揮しています。
興味深いのは前走G2組で、勝ち馬こそ出ていないものの、複勝率は42.9%とG1組を上回るアベレージを残しています。逆に、オープン特別やリステッド競走からの臨戦馬は極端に苦戦しているため、クラスの壁がはっきりと存在するレースだと言えます。
中山芝2200m特有のリピーター属性
中山芝2200mという特殊な舞台設定ゆえに、このコースで行われる重賞（セントライト記念、AJCC、オールカマー）での実績を持つ「リピーター」が走りやすいという明確な特徴があります。
過去にもタンタアレグリア、ミッキースワロー、ダンビュライト、そしてローシャムパークなど、同コースでの好走実績を持つ馬が何度も馬券に絡んでいます。AIモデルには「同コースへの適性（過去のパフォーマンス）」を強く重み付けさせるのが正解ですね。
持続力を裏付ける血統と種牡馬の分析
血統データはカテゴリカル変数として扱われますが、コース適性を紐解く上で非常にロマンがあり、かつ実用的なデータです。
Silver Hawkの血脈に注目
ディープインパクト産駒が過去10年で[2-4-2-13]と頭ひとつ抜けた成績を残していますが、より深い洞察を要するのは、タフな中山2200mに要求される「持続力」を強く伝える血脈の台頭です。
近年では、ロベルト系のSilver Hawk（シルバーホーク）を血統表に内包する馬の活躍が極めて目立っています。ゴールドアクター、ウインマリリン、ジェラルディーナといった勝ち馬に加え、大穴で激走したリカンカブールもこの血を持っていました。スタミナとタフさを補完する重要なファクターです。
回収率の高い種牡馬たち
直近のデータ集計においては、以下のような種牡馬が高い回収率を示しています。
- レイデオロ産駒（勝率25.0%、単勝回収率206.3%）
- リアルスティール産駒（勝率22.2%、単勝回収率442.8%）
- キングカメハメハ産駒（勝率16.7%、単勝回収率181.7%）
それぞれの種牡馬が持つコース適性を特徴量としてモデルに組み込むこと、そして戸崎圭太騎手や鹿戸雄一厩舎といった中山芝2200mでの優秀な成績を持つ陣営のデータも、モデルの精度を押し上げる要素になります。
オールカマーのAI予想モデルと馬券戦略
ここからは少しテクニカルな話になりますが、先ほど整理した膨大なデータを、実際にどうやって機械学習モデルに落とし込み、最終的な馬券購入（資金配分）へと繋げていくのか。データサイエンスを競馬に応用するための核となるプロセスと戦略について解説していきます。
機械学習モデルによる欠損値の最適処理
最新のデータサイエンスを駆使して競馬AIを作ろうとしたとき、プログラミングの最初の壁として立ちはだかるのが「欠損値（NaN）」の扱いです。
JRAの膨大なレース結果をデータベース化して眺めていると、データが空っぽになっている項目がたくさんありますよね。ここをどう処理するかが、実はモデルの賢さを決定づける極めて重要なポイントになります。
「ゼロ」と「未経験」は全くの別物
競馬のデータセットにおいて欠損値（NaN）が発生するのは避けられません。たとえば、キャリアが浅い馬の過去タイムや、今回初めて中山芝2200mを走る馬のコース適性データなどがこれに当たります。
昔からある重回帰分析などの統計モデルでは、計算エラーを防ぐためにこの空白を「0」や「全体の平均値」で埋める（Imputation）処理が一般的でした。しかし、競馬において「同条件で何度も走って0勝であること」と「出走経験自体がないためデータがNaNであること」は全く意味が違います。
【0埋めが引き起こすAIの勘違い】
・馬A：中山芝2200mを過去5回走って、すべて大敗（コース実績0）
・馬B：中山芝2200mは今回が初出走（データNaN）
ここで馬Bのデータを「0」で埋めてしまうと、AIは「馬Bも馬Aと同じくらいこのコースが苦手なんだな」と誤って学習してしまいます。未知の可能性を秘めた馬Bを、明確な能力不足の馬と一緒に切り捨ててしまうわけです。
平均値埋め（Mean Imputation）の限界
「じゃあ、全体の平均値で埋めればいいのでは？」と思うかもしれません。しかし、これも危険です。例えば、まだ数戦しかしていない若い馬のスタミナ指数を、古馬を含めた全体の平均値で埋めてしまうと、実態とはかけ離れたノイズを生み出します。競馬データにおいては、「データが存在しないこと」自体が、一つの重要な情報（特徴量）なんですよね。
LightGBMがもたらした欠損値処理の革命
この厄介な問題に対して、現在のAI競馬予想で主流となっているのが、LightGBM（ライトジービーエム）に代表される勾配ブースティング決定木アルゴリズムの活用です（出典：Microsoft『LightGBM公式ドキュメント』）。
このアルゴリズムの何がすごいかというと、欠損値を「0」や「平均値」といった嘘の数字で埋めることなく、「NaNはNaNのまま」直接読み込んで計算できる強力な特性を持っている点です。
【LightGBMのNaN分岐メカニズム】
アルゴリズム内部でデータを振り分ける（木構造を作る）際、まずはNaNを無視して学習を進めます。そして最後に、「データがNaNだった馬たちを右の分岐と左の分岐、どちらのグループに丸ごと振り分ければ最も予測精度が上がるか（損失関数が最小化するか）」を自動で計算し、最適な配置を決定してくれます。
これにより、モデル自身が「初出走という条件（未知）」に対するペナルティや期待値を適切に評価できるようになります。「過去データがない馬」を無理やり既存の枠にはめるのではなく、未知数として正しく扱うことで、AIの予測精度は飛躍的に向上するのです。
特徴量の生成と過学習の厳格な防止
AI予想において、モデルの予測精度を根本から左右するのが「特徴量（AIに学習させるためのデータ項目）」の設計です。ただ単にJRA-VANなどのデータベースから取得した生データをそのまま放り込んでも、AIは中山芝2200mという特殊な舞台を理解してくれません。
データをどう調理してAIに食べさせるか。ここがデータサイエンティストとしての腕の見せ所になります。
ノイズを平滑化する時系列データの集約
AI予想で最も強力な武器になるのは、「過去成績」や、走破タイムを馬場状態・レースレベルなどで補正した「スピード指数」系のデータです。しかし、これを単発の「前走の成績」だけで変数にしてしまうのは非常に危険なんですよね。
競馬には、ドン詰まりなどの「展開の不利」や、たまたまハマっただけの「フロック（まぐれ）」がつきものです。これらをそのまま学習させると、AIはノイズに振り回されてしまいます。
そこで、直近数走（例えば過去3走から5走）の数値を単純に平均化したり、あるいは「直近のレース結果ほど比重を重くする（加重平均）」といった処理を行ってデータを集約します。これにより、実力とは無関係なノイズが平滑化され、AIの予測が大幅に安定するようになります。
【具体例】オールカマー特化の独自特徴量を作る
一般的なスピード指数に加えて、オールカマーのようなクセの強い重賞では「そのコース専用の適性」をAIに教え込む必要があります。競馬ファンの方にもイメージしやすいように、私たちがどのように独自の特徴量を作っているか、具体例を挙げてみますね。
【オールカマー向け特徴量の設計例】
× 悪い例：「前走の上がり3ハロンのタイム」
単純な直線の瞬発力は、タフな中山2200mではあまり役に立ちません。
〇 良い例：「急坂・持続力指数」
「過去に急坂を複数回越えるコース（中山・阪神内回りなど）において、ラスト4〜5ハロンを持続的に速いラップでまとめられたか」を数値化し、新たな特徴量として追加します。
〇 良い例：「多頭数におけるポジション確保率」
「14頭立て以上のレースで、最初のコーナーを5番手以内で通過できた確率」を計算します。これにより、多頭数の内枠でロスなく立ち回れる器用な先行馬を、AIが高く評価できるようになります。
こうやって人間の競馬の知識（ドメイン知識）を数式に翻訳してあげることで、AIは単なる数字の計算機から、優秀な馬券師へと進化していくわけです。
AI開発最大の罠「データリーク」とは
こうして素晴らしい特徴量を作っていく過程で、開発者が絶対に避けなければならない技術的な落とし穴があります。それが「データリーク（Leakage：情報漏洩）」です。
例えば、AIに「戸崎騎手は中山2200mが得意である」というデータを学習させたい場合、騎手ごとの過去の勝率などを数値化して入力する手法（ターゲットエンコーディング）を使います。この時、「そのレースが発走する時点までの過去データだけ」を使って計算しなければなりません。
【データリーク（カンニング状態）の恐怖】
過去のオールカマー（例えば2023年）のバックテスト（検証）を行う際に、誤って「2024年の戸崎騎手の成績」まで混ぜて勝率を計算してしまうミスがよく起こります。
これをやってしまうと、AIは「未来の答えを知っている状態（カンニング）」で学習を進めてしまいます。その結果、検証テストでは「回収率200%！」といった異常に高い精度を叩き出しますが、いざ今週末の未知のレースに適用すると全く当たらない、という致命的な過学習を引き起こします。
過去のデータを扱う際は、厳密な時系列処理を行い、「未来のデータが過去にタイムスリップしていないか」を徹底的に管理する。そして、無駄な特徴量を削ぎ落としてシンプルに保つ。こうした地道なエンジニアリングの積み重ねが、実戦で本当に使える（利益を出せる）AI予想を生み出しているのかなと思います。
期待値の概念に基づく勝率予測の手法
競馬において、「勝つ馬を当てること」と「長期的に資金を増やす（回収率を100%以上にする）こと」は全くの別問題。ここが競馬の難しくも面白いところかなと思います。
どんなに強いと分かっている馬でも、オッズが1.1倍なら買い続けるといつか資金はパンクしてしまいますよね。AI予想を馬券の利益に直結させるためには、この「期待値」という概念を避けて通ることはできません。
大前提となる期待値の計算式
日本の競馬は、馬券の売上から胴元（JRA）の控除率が引かれ、残りを的中者で分配する「パリミュチュエル方式」を採用しています。つまり、他の参加者（人間の馬券師たち）が過小評価している馬、言い換えれば「オッズが本来の勝率に対して不当に高い馬」を買い続けなければ、構造上絶対に利益は出ない仕組みになっています。
【期待値の基本公式】
期待値 ＝ AIが予測した勝率（的中確率） × 実際のオッズ
期待値が「1.0」をちょうど損益の分岐点（トントン）とし、この値が1.0を超える馬券のみを長期的に買い続けることができれば、理論上は必ずプラス収支になります。
たとえば、AIがある馬の勝率を「10%」と予測したとします。この時、その馬の単勝オッズが10.1倍以上であれば期待値は1.01となり、システム上は「買い」のシグナルが点灯します。逆に、勝率が50%もある圧倒的に強い馬でも、単勝オッズが1.5倍しかなければ期待値は0.75となり、「見送り」という非情な決断を下すのがAIのロジックです。
人間の心理が作り出す「オッズの歪み」
高度な競馬AIは、単にレースの勝率を予測するだけではありません。過去の膨大な投票データから「この馬は人間のファンにはどの程度のオッズに支持されるか」というオッズ予測ファクターをも組み込んで、独自の指数を算出しているんですよね。
人間は、近走の着順がきれいな馬や、有名騎手が乗る馬を過剰に評価しがちです。逆に、前走で不利を受けて大敗した馬や、地味な血統の馬は、実力以上にオッズが甘くなる（高くなる）傾向があります。AIは感情を持たないため、こうした大衆心理が生み出す「オッズの歪み」を冷徹にスコアリングしてくれます。
【実例】2024年アウスヴァールが見せた期待値の魔法
ここで、オールカマーにおけるオッズの歪みと期待値の威力を示す、非常に分かりやすい具体例をご紹介しますね。2024年のオールカマーの事例です。
このレース、1番人気は圧倒的な支持を集めたレーベンスティールでした。優秀なAIはこの時、レーベンスティールに「指数1位」という順当な評価を与えていました。これは「圧倒的な人気に違わぬ高い勝率が見込める堅い軸馬」という意味です。ここまでは人間の感覚と同じですよね。
しかし驚くべきは、AIが「指数2位」に推したのが、10番人気（単勝49.4倍）のアウスヴァールだったという事実です。
【なぜAIは10番人気を抜擢したのか？】
人間の目には「買えない大穴」に見えても、AIは中山芝2200mにおける持続力データや前残りの展開恩恵を計算し、「AIが弾き出した好走確率に対して、49.4倍というオッズは明らかに過小評価されている（＝期待値が極めて高い）」と判断したわけです。
結果はどうだったかというと、アウスヴァールは見事に逃げ粘って2着に激走し、大波乱を演出しました。単に「強い馬」を探すのではなく、「美味しい馬」をデータから見つけ出す。これこそが、期待値を用いたAI予想の最大の強みであり、私たち人間が馬券を買う上で最も頼りにすべきポイントなのかなと思います。
合成オッズを活用した資金配分と戦略
実際の馬券購入においては、単勝1点買いではなく、馬連や3連複、あるいは複数の単勝といった「多点買い」を行うことが一般的ですよね。この際、自分の財布から出す大切なお金をどう振り分けるかという「リスク管理」に不可欠なのが、「合成オッズ」という概念です。
AIがどれだけ精度の高い予想を出しても、この資金配分を間違えてしまえば、長期的には絶対に勝てない仕組みになっているんです。
合成オッズの計算方法とトリガミの回避
合成オッズとは、複数の買い目を購入した際に、「どの買い目が的中しても、投資額に対して均等な払い戻し（一定の利益率）を受けられるように資金配分した際の実質的なオッズ」を指します。
少し難しく聞こえるかもしれませんが、考え方は非常にシンプルです。まずは基本となる計算式を見てみましょう。
【合成オッズの算出式】
1 / 合成オッズ = 各買い目の (1 / オッズ) の合計
例：オッズ2.0倍と5.0倍の2点買いをする場合
(1 / 2.0) + (1 / 5.0) = 0.5 + 0.2 = 0.7
合成オッズ = 1 / 0.7 ≒ 約1.43倍
この合成オッズが1.0を下回る状態は、どの買い目が的中しても投資額を回収できない、いわゆる「トリガミ」です。多点買いにおいて人気馬の組み合わせを多く含めすぎると、あっという間にこのトリガミ現象が発生してしまいます。
【具体例】予算1万円を最適に配分するシミュレーション
では、先ほどの「オッズ2.0倍の馬（A）」と「オッズ5.0倍の馬（B）」を両方買う場合、手元の予算1万円を具体的にどう配分すればいいのか。実際にシミュレーションしてみましょう。
均等な払い戻しを受けるためには、先ほど計算した合計値「0.7」を使って、目標となる払い戻し金額を逆算します。
【予算1万円の資金配分プロセス】
① 目標払い戻し額を出す： 10,000円（予算） ÷ 0.7 = 約14,285円
② 各馬券の購入額を決める（※実際の馬券は100円単位なので端数を調整します）
・馬A（2.0倍）： 14,285 ÷ 2.0 = 7,142円 → 7,100円購入
・馬B（5.0倍）： 14,285 ÷ 5.0 = 2,857円 → 2,900円購入
③ 結果の確認（合計購入額：10,000円）
・馬Aが的中した場合： 7,100円 × 2.0倍 = 14,200円の払い戻し
・馬Bが的中した場合： 2,900円 × 5.0倍 = 14,500円の払い戻し
いかがでしょうか。このように資金を配分することで、オッズ2.0倍の本命が来ても、5.0倍の伏兵が来ても、「約1万4,200円〜1万4,500円」というほぼ均等な払い戻しを受け取ることができます。
つまり、1万円の投資に対して約1.42倍〜1.45倍のリターンが得られる状態。これがまさに、先ほど計算式で弾き出した「合成オッズ約1.43倍」の正体なんです。
AIと連携した究極の馬券構築ロジック
ただ、週末のレース直前に変動するオッズを見ながら、この計算を自力でやるのは現実的ではありませんよね。プロの馬券師やAIを用いた資金配分ツールは、このロジックをシステム内にプログラムとして組み込んでいます。
システムはリアルタイムのオッズを取得し、一瞬で資金配分を計算します。そして、もし買い目の中に「これを買うと合成オッズが1.0倍を割ってしまう（期待値を下げる）」という低オッズの買い目があれば、それを自動的に除外して再計算してくれます。
最終的に、「合成オッズ × AIが予測した全体的な的中率」が1.0を超えているかどうか。これが、私たちがデータサイエンスを駆使して馬券を買うか、それとも見送るかを決める絶対的な判断基準となります。
オールカマーのAI予想を総括する戦略
ここまで、オールカマーのデータ的特徴から機械学習モデルの裏側、そして馬券戦略までを網羅的に見てきました。最後にオールカマーのAI予想における総合的なアプローチをまとめておきます。
オールカマーは、息の入らないロンスパ戦という過酷な舞台です。そのため、極端な脚質よりも内枠でロスなく立ち回れる先行馬や、同コースでの実績を持つリピーターが圧倒的に有利となります。
AIモデルに学習させるべき重要な特徴量としては、「4・5歳馬（特に牝馬）」「キャリア15戦以内で前走5着以内」「ゆとりあるローテーション」「Silver Hawkなどの持続力特化血統」などが挙げられます。
そして最終的には、過度な大穴狙いを避けつつ、実力に対して過小評価されている中穴馬を的確に捕捉し、合成オッズを用いた資金配分で期待値1.0以上の買い目を構築することが、最も論理的で強力な武器になります。
ぜひ、今回ご紹介したデータと視点を参考に、ご自身の予想やAIツールの活用に役立ててみてくださいね。より実践的なAI構築のプロセスや独自の予測ロジックについては、Asymmetric Edge内の他記事もあわせて参考にしていただければ幸いです。
【馬券購入・情報利用に関する注意事項】
本記事で紹介しているデータや数値（回収率や勝率など）は、あくまで過去の統計に基づく一般的な目安であり、未来のレース結果を確実に保証するものではありません。
資金配分や期待値の計算につきましても、オッズの変動等により結果が異なる場合があります。レースの開催状況、出走馬、オッズ等の正確な情報は、必ずJRA（日本中央競馬会）などの公式サイトにてご自身でご確認ください。
馬券の購入はご自身の無理のない資金の範囲で行っていただき、最終的なベッティングの判断および行動は、読者様ご自身の自己責任にて（必要に応じて専門家のアドバイスも参考に）お願いいたします。