AI競馬モデルを1か月で作った。かかった費用と、使ったデータとAIの全部

先に合計を言う

前回、「勘も理屈も揺らぐ。揺らがないのは検証した手順だけ」と書いた。その手順を作るために、10月上旬から1か月で競馬の予想モデルを1つ作った。かかった費用を先に出す。

・競馬データの契約　金額 月約2,000円、用途 過去10年のレース成績、出馬表、オッズ
・クラウド（AWS）　金額 10月 約1,300円、11月 ここまで約70円、用途 10年分の学習を1回、データの保管
・AIの利用料（2社）　金額 月3〜5万円、用途 設計の相談、コードの実装、検証
・自分の時間　金額 週末と平日の夜、用途 方針の決定、結果の確認、馬券の購入

AIの利用料が大半だ。これは競馬のためだけに払っているわけではないが、この1か月はほぼこのモデルに使った。だから、このシリーズの目標は「AIの利用料をAI自身に稼がせる」になっている。

何を作ったか

やることは単純で、「各レースで、どの馬がどのくらいの確率で勝つか」を数字で出す機械だ。

• 入力：過去10年分のレース結果と出馬表（約116万件のレコード）、それに発走直前のオッズ。

• 出力：出走馬ごとの勝率と3着内率。それをもとに「買う価値がある馬」に印を付ける。

• 中身：過去走の成績や騎手・調教師の実績から79個の特徴量を作り、勾配ブースティング（LightGBM）というよくある機械学習で学習させた。派手な深層学習は使っていない。

コードはPythonで約2万行、テストが518件。1か月でこの量を人間が1人で書くのは無理で、ここがAIの出番だった。

AIをどう使ったか

AIは2つ使い分けた。役割を分けたのが、うまく回った理由だと思っている。

• 設計と判断の相手（Claude）：何を作るか、どの順番で検証するか、結果をどう読むかを相談する。「このバックテストは楽観的すぎないか」と突っ込む役。

• 実装の担当（Codex）：決まった仕様どおりにコードを書き、テストを通す。1回の指示で数百行から数千行を書いてくる。

私がやったのは、目標を決めること、AI同士の提案を比べて選ぶこと、そして結果を疑うことだ。特に最後が大事で、AIは「回収率120%のモデルができました」と平気で言ってくる。その数字が確定オッズ（レース後に分かる値）を使った楽観的なものだと気づいて直させたのは、人間の仕事だった。

1か月で分かったこと

数字で言うと、こうなった。

• 過去走の成績だけのモデルは、1番人気の的中率（約34%）に届かない（27〜29%）。

• 発走直前のオッズを入力に加えると、的中率は市場と同じ33.8%になり、確率の精度も市場とほぼ並ぶ。

• ただし、市場を上回る情報はまだない。だから回収率は控除率どおり、単勝で75〜81%に落ち着く。

つまり「市場と同じくらい賢い機械」までは1か月と数万円で作れる。「市場より賢い機械」はそこから先で、そのために今はオッズの時系列（発走前にどう動いたか）を5年分集め直している。

費用対効果は

ここまでの馬券の収支はマイナスだ（詳しくは次回）。モデルの費用を回収できる見込みは、正直まだ立っていない。

ただ、この1か月で「何が効いて何が効かないか」が数字で分かり、確認する手順も残った。次に別の予測問題をやるときは、同じ手順がそのまま使える。費用の一部は、そのための授業料だと思っている。

次回は、ここまでの馬券の収支を全部出し、「予想を先に公開して、結果を全部記録する」公開実験の始め方を書く。

出典・注記

• 費用は契約画面とクラウドの請求明細による概算。AIの利用料は2社のプランの合計を幅で示した。

• 的中率・回収率は、2023年前半から2026年後半の約13,000レースで、過去の期間で学習し次の期間で検証する方法（ウォークフォワード）で測った値。回収率は上位1頭に100円均等の計算。

• 本記事は自分の記録にもとづく体験談で、馬券の購入を勧めるものではない。