競艇AIモデルの予想精度｜的中率と回収率を統計で検証

競艇AIモデルは、過去のレースデータを学習して各艇の的中確率を予測する仕組みです。入力データとして選手の勝率・モーター2連対率・コース別成績・平均ST・展示タイムなどが使われます。機械学習の手法としては、勾配ブースティング（XGBoost, LightGBM）やニューラルネットワークが一般的です。学習データは数万〜数十万レース分が使用され、各コースの1着確率・2着確率・3着確率を出力します。AIの強みは大量のデータを高速に処理し、人間が見落としがちなパターンを検出できる点です。ただしAIは過去のデータに基づいた予測であり、当日の天候変化や選手のコンディションなどリアルタイムの情報への対応は限定的です。

一般的な競艇AIモデルの3連単的中率は約3〜8%程度とされています。ランダムに選んだ場合の3連単的中率は約0.83%（1/120）ですので、AIはランダムの4〜10倍の精度を出していることになります。2連単の的中率は約15〜25%、単勝の的中率は約30〜40%のモデルが多いとされます。ただし、的中率が高いモデルは人気サイドの予想に偏りがちで、回収率が伴わないケースがあります。AIの的中率は学習データの量と質、特徴量の設計、モデルのチューニングによって大きく変わります。公開されているAIモデルの的中率は検証条件が異なるため、単純な比較には注意が必要です。

AI予想の回収率は一般的に70〜90%程度のモデルが多く、控除率25%の壁を超えて100%以上を安定的に達成するモデルは極めて少ないとされます。回収率を高めるには、単に的中確率が高い組み合わせを選ぶだけでなく、オッズとの比較で期待値が高い買い目を選択する必要があります。AIモデルが予測した的中確率とオッズを比較し、期待値が1を超える買い目だけを選択する手法が注目されています。この手法では的中率は下がりますが、的中時の払い戻しが大きいため回収率が向上する可能性があります。ただし期待値ベースの戦略は短期的な変動が大きく、長期的なサンプルで評価する必要があります。AI予想は完璧ではありませんが、データに基づいた客観的な予測として参考にする価値があります。

AI予想にはいくつかの限界があります。まず、過去のデータに存在しないパターン（新モーター導入直後、異常気象など）には対応が難しいです。選手の調子やモチベーション、レース中の駆け引きといった定量化しにくい要素もAIは苦手とします。フライング後の選手の慎重さや、引退前の選手の走りなど、状況依存の要素は統計データだけでは捉えきれません。そのため、AIの予測結果を鵜呑みにするのではなく、人間の目による最終チェックを加えることが重要です。AIが出した確率を参考にしつつ、当日の展示情報や天候条件を加味して判断する「AI＋人間」のハイブリッド型が最も実用的なアプローチと言えます。BR-STATのデータとAI予想を組み合わせることで、より精度の高い予想が可能になります。