About ― このサイトについて

競馬AIラボ

「予想屋ではなく、研究者として。」

機械学習で競馬の本質を解明することを研究テーマにしています。

このブログでは、以下を発信しています。

競馬予測モデルの設計思想と検証プロセス
一口馬主投資の定量分析(将来獲得賞金予測)
AI研究ログ(改善実験・失敗報告含む)
月次のモデル精度レポート(無料公開)

「当てる」のではなく「解明する」ことを軸に、再現性のある分析を地道に積み上げています。

運営者プロフィール

てんのすけ

X: @waidarTennosuke

データ分析と機械学習を主軸に、競馬AIの研究開発を継続中。

スキル・研究テーマ

言語・スキル: Python / SQL / 機械学習(LightGBM, CatBoost, XGBoost等)
研究テーマ: 競馬予測における時系列CV設計、特徴量設計、解釈性
研究スタンス: モデルの限界・失敗・不的中を隠さず公開する

保有モデル

単勝予測AI

レースの勝率を機械学習で予測するモデル。

検証データ

学習データ: 中央競馬の過去戦績
検証方法: 1000レース×4回バックテスト
検証値: 単勝ROI 135-193% / 的中率 11%
現状: 実運用フェーズで継続検証中

上記の数値は検証段階のものであり、将来の運用結果を保証するものではありません。

血統評価AI(Yearling AI)

JRA登録馬の将来獲得賞金を、血統情報のみで予測する血統評価モデル。

モデル概要

学習データ: 2005-2018年産の全JRA登録馬 68,263頭
推論対象: 全JRA 122,327頭
検証方法: 14年分のLeave-One-Year-Out(LOYO)
主要指標: Spearman 0.372 ± 0.021(主軸の対数本賞金)
アルゴリズム: LightGBM + CatBoost + XGBoost のアンサンブル

一口馬主の出資判断補助としての利用を想定。

「未来を断言する装置」ではなく、出資判断のブレを減らすための客観指標です。

詳細は研究ログにて随時公開しています。

このブログのカテゴリ

カテゴリ	URL	内容
Lab	`/lab/`	AI・機械学習の技術解説
Research	`/research/`	研究ログ・モデル改善実験・失敗報告
Uma	`/uma/`	一口馬主の定量分析・クラブ比較
Data	`/data/`	データ知見・全数集計から見える傾向
Blog	`/blog/`	その他の発信