AI展開シミュレーター（予測）ガイド

Part 1

画面の見方

1. 画面構成

シミュレーター画面は大きく4つのエリアで構成されます。

2. コントロールパネル

画面上部のパネルで、シミュレーション条件を切り替えできます。

2-1. ODDS スナップショット切替

レースシミュレーションでは、どの時点のオッズを市場の評価として使うかを選べます。

使い分けの例:

• 前日予想: 朝 を選択 → 朝の評価で勝負馬を絞る
• 当日直前: B05 / FIX を選択 → 直前の市場動向を反映
• 検証: OFF と比較 → 市場情報がどれだけ寄与しているか確認

2-2. ITER の目安

3. 3ステージスナップショット

各レースの「典型的な展開」を、3つの瞬間で可視化します。

3-1. コース図の見方

• トラックライン: 実コースの形状を簡略化したライン
• 馬チップ: 各馬の現在位置 (枠色で表示)、左下に馬番、 🔧 マークは馬具変更あり
• 軌跡: 過去スナップショットからの移動経路 (薄い線)
• TOP HEADER: 「経過 T+ / 残 / 先頭」 で進行状況確認
• PACE 表示: ペース予想 (HIGH / MIDDLE / SLOW)

3-2. ステージ別の注目ポイント

START

• スタート直後の位置取りが想定通りか
• ⚠ バッジ = 出遅れ予測 (発馬不安の馬)
• 内枠の有利感 / 大外枠の出脚不利の表現

DECISION

• 各馬が勝負所でどのポジションを取っているか
• 内をロスなく進めているか、外を回されているか
• 先頭との差 (「残」表示)

FINISH

• 上がりの伸びる馬 / 失速する馬
• 差し追込の届く距離感
• 馬群の縦長さ

4. NEURAL · PREDICTION テーブル

左側のテーブル。各馬の総合評価と勝率を表示します。WIN% の高い順にソート。

4-1. BTV と SCORE の違い

• BTV が高くても SCORE が低い → 苦手条件 or 市場が見限り
• BTV が中程度でも SCORE が高い → 条件・展開がハマる + 市場期待
• WIN% は SCORE と相関(シミュレータの判断結果)

4-2. 「BTV → SCORE → WIN%」のロジック

5. REPRESENTATIVE · RUN テーブル

右側のテーブル。代表ラン(典型的な1回のレース)の着順とタイムを表示します。

5-1. 代表ランとは

• 多数の試行から、最有力馬 (WIN% トップ) が実際に勝った試行群を抽出
• そのなかから走破タイムが中央値の試行を選出
• 「平均的な決着シナリオ」として可視化

5-2. 各列の意味

5-3. NEURAL と REPRESENTATIVE の併読

• NEURAL = 確率分布の俯瞰 (確率重視)
• REPRESENTATIVE = 具体的な1レース (展開重視)
• 両者の着順が大きく違う馬= レース展開によって着順が大きくブレる馬 (穴目)

6. 使いどころ・活用例

6-1. 前日予想

• ODDS = 朝を選択
• SCORE と WIN% で軸馬候補を確認
• 🔧 馬具変更がある馬は変化に注目
• REPRESENTATIVE で展開シミュレーションを確認

6-2. 当日直前の最終確認

• ODDS = B05 または B02に切替
• WIN% が大きく変動した馬を確認 (市場直前評価の変化)
• 3ステージで展開イメージを再確認

6-3. 大穴狙い (妙味馬発見)

• ODDS = AUTOで実行
• PLACE% が WIN% より大きく高い馬を探す → 着外しにくい
• RANK と着順の試行ブレが大きい馬は穴目候補
• 🔧 馬具変更 + 騎手調子良好が重なった大穴は要注目

6-4. 検証 (市場の貢献度)

• ODDS = OFF で純粋な JRDB + ML 予測のみで実行
• 同じレースをODDS = FIXで実行
• 両者の WIN% / 着順を比較 → 市場が拾った情報量を可視化

6-5. レース展開を読む

• DECISIONステージで隊列を確認
• PACE表示で展開 (HIGH/MIDDLE/SLOW) を把握
• FINISHで差し追込が届くかチェック
• 不利な位置取りでも来る馬は能力上位の証

7. 全体像

8. データソース

8-1. JRDB 競馬データベース

8-2. 自社 ML 予測モデル

8-3. 市場情報

9. コア指標

各出走馬について、まず絶対的な能力指標を構築します。

9-1. BT値 (走破タイム能力)

• 馬場差・ペース・不利・斤量・コーナーレーン補正を経た「純粋な走破力」をスケール化した指数
• 同じ条件で何度も走らせた時の期待タイム
• 中心値は条件問わず一定基準

9-2. BTテン / BTペース / BT上がり指数

いずれも中心値を平均とし、ML Expected Time モデルから派生。

9-3. 適性指数

サンプル数が少ない場合は中立扱い。

9-4. 騎手指数

• 直近3年の overall 勝率・複勝率から算出
• 平均的な日本人騎手 → 中央値、一流騎手 → 高評価、新人 → 中立
• 直近の「当週調子」と「先週調子」は別途、補正レイヤーで反映

9-5. 脚質スコア

• 各馬の逃げ / 先行 / 好位 / 差し / 追込 / 後方に対するスコア (6 タイプ)
• 過去走の通過順位パターンから算出
• レース内で確率分布として扱う

10. 動的補正レイヤー

コア指標を起点に、レース個別の条件と直近の情報を加味していきます。

10-1. コース形態ペナルティ

• 1コーナーまでの距離が短いコース → 大外枠に不利ペナルティ
• 例: 阪神芝1200m (外回り) のような短い直線型では大外枠で上がり指数を控除
• 距離 × 枠位置で動的に算出

10-2. ペース展開予測 (Race Flow)

• レース全体のテン・上がり指数分布からペース予想 (HIGH / MIDDLE / SLOW)を算出
• 逃げ馬数・先行馬数・差し馬数の比率も加味
• 各脚質の指数を「展開で得な脚質」に応じて補正 (例: スローペース予想なら差し追込にやや厳しく、逃げ先行に有利)

10-3. 馬具変更ブースト (Gear Changes)

ハミ替えブーストの方法論

ハミ種類のキーワード分類ではなく、過去実績統計の Bayesian shrinkage 補正後アドバンテージで決定します:

• ベースライン複勝率: 23.0% (平均 13 頭立て × 3着確率)
• Advantage: このハミ替えパターンの過去複勝率 − 23.0%
• Bayesian shrinkage: eff_adv = advantage × n / (n + 100)
  サンプル少 → 0 寄せ (信頼度低)、サンプル多 → 実測重視
• 指標配分: ten : pace : agari = 1 : 2 : 3 (agari 重視)
• 2 走目倍率: 1.3 (効果が安定するフェーズ)
• サンプル < 30 はブースト 0 (不明パターンで暴走しない)

10-4. 騎手当週調子ブースト

• 長期成績 (3年合算) と短期 (当週 + 先週) を比較
• 普段より好調な騎手 → ペース指数 + 上がり指数を上方修正
• 普段より不調な騎手 → 控えめに評価
• サンプル数が少ない週は効果半減

10-5. 時系列オッズ + ML予測 + 動向シグナル (Market Signal)

最重要レイヤー。市場の英知と機械学習予測を融合します。

(a) 正規化 implied probability

各時点 (前日 / 当日昼 / 発走30〜2分前 / 確定) の単勝オッズから、レース全体で1/oddsを正規化した真の implied probabilityを計算 (控除率除去、合計1.0)。

(b) 3つの視点で評価

シナリオ例

(c) 動的倍率 (弱者下駄)

• BT値の低い馬ほど market boost を増幅 ─ 理屈: 強い馬は既に BT 値で評価済み。弱い馬は隠れた評価軸 (調教好調・厩舎の動き) を市場が見抜いた可能性 → 補正余地が大きい
• これにより大穴の浮上が可能

(d) シミュレーションへの投入

• 結果の Market Signal をBT値とは独立に能力スコアへ加算
• ユーザーは UI 上で参照スナップショット (前日 / 30分前 / 確定 等) を切り替えて、各時点の予測を比較できる

11. シミュレーション (Monte Carlo)

11-1. ロジック概要

• 全馬の補正済み指標 → 能力スコア計算 → 能力的な勝率事前分布
• 多数回の独立試行で 1レースずつ物理シミュレート
• 各試行で:
  • スタート (好発 / 出遅れ確率を反映)
  • 序盤位置取り (脚質 × 枠順 × 騎手志向 × 過去走レーン傾向)
  • 中盤・3〜4コーナー進路選択
  • 終盤伸び (差し/追込の確率的爆発を含む)
• 各馬のfinish time / 着順分布を集計

11-2. 走行モデル

• 基準スピード: 馬ごとの能力 × ペース展開係数 × 馬場差
• タクティカル係数: 脚質と各ステージのペース指数/上がり指数に依存
• 馬場差補正: 当日の馬場差ファクター + ペース・不利の per-horse 補正

11-3. レーン取り

• 馬の希望ライン =騎手レーン志向 + 馬の過去走レーン傾向の合成
• 当日の馬場傾向 (内有利 / 外伸び) で偏らせ
• 内枠ほど内寄りスタート、大外枠は外。脚質も加味

11-4. 期待タイム整合 (Post-MC Calibration)

• 各馬の MC 平均タイムを、別途算出済みのper-horse 期待タイムに合わせて再校正
• レース全体の勝ちタイムも ML Race Time モデルにアンカー
• これにより、絶対タイムの妥当性とレース内タイム差の整合性を両立

12. なぜ精度が出るのか

多層補正の積層

JRDB 蓄積データだけ、ML 予測だけ、市場オッズだけのいずれも単独では限界があります。ストライド競馬AIは3つの異なる視点を独立チャネルで統合:

物理ベースの位置取り

確率テーブルだけでなく、走行物理モデル + レーン取りロジックを回すことで、「コース形態 × 枠順 × 脚質 × 騎手志向」の相互作用を再現します。

動的な弱者支援

「BT値で評価しきれない隠れた評価軸」を市場が拾った場合に、補正効果を強める仕組みにより、大穴でも妥当な評価が可能です。

13. 今後のアップデート予定

• 厩舎・調教師の動向シグナル
• レース内ライブ更新 (発走直前のオッズ変動を自動再計算)
• 過去レース回顧モード (「あのレースをもう一度シミュレート」)

14. 用語集

15. 免責

本シミュレーターは過去データ・予測モデル・市場情報に基づく統計的推論を提示するものであり、レース結果を保証するものではありません。投票はご自身の判断で行ってください。

ストライド競馬AI はデータの透明性を重視しており、本ページにて主要な仕組みを公開しています。詳細についてはお問い合わせまでご連絡ください。