データサイエンティストのための競馬入門(自分のノート)
Summary
近年、競馬は単なるギャンブルではなく、データ分析を生かし、収益を狙うものとしてでも注目されています。 中央競馬（JRA）はレースや馬、騎手、血統などあらゆる情報がデジタル化されており、 データサイエンティストにとっては機械学習や統計モデルの実践フィールドとして非常に魅力的です。
本記事では、競馬の基本的な仕組みと、データ分析に必要な視点からの基礎知識を纏めて見ました。
初歩的な競馬用語
券の種類
賭け方の形式。代表的なものは：
| 投票法（馬券の種類） | 説明 |
|---|---|
| 単勝 | 1着になる馬を当てる |
| 複勝 | 3着以内に入る馬を当てる |
| 馬連／馬単 | 1着と2着の組み合わせを当てる（馬連は順不同、馬単は順番指定） |
| ワイド | 選んだ2頭がどちらも3着以内に入ることを当てる |
| 3連複／3連単 | 1着から3着までの全ての馬を当てる（3連複は順不同、3連単は順番指定） |
分析ポイント
的中率とリターンのバランスを考え、モデルに応じた賭け方を戦略的に選ぶ。 発売開始時の出走予定馬の頭数によって、発売しない種類もあるので注意が必要。
参考:
* 馬券の種類: https://www.jra.go.jp/kouza/beginner/baken/
* 馬券のルール: https://www.jra.go.jp/kouza/baken/
レースクラス（条件）
競走馬の年齢と収得賞金の額に応じて分類されたレースの「レベル」。
| クラス名 | 説明 |
|---|---|
| 新馬戦 | 初出走の馬限定 |
| 未勝利戦 | まだ1勝もしていない馬向け |
| 1勝クラス〜3勝クラス | 収得賞金で昇格していく |
| オープンクラス（OP） | 勝ち抜いた馬が出走する最上位 |
分析ポイント
クラスが上がるとレベルも上がるので、単純な着順ではなく「クラス変動」も考慮しよう。
馬場（ばば）状態
レース当日のコースのコンディション。
芝（しば）とダートの2種類がある
状態は「良」「稍重（ややおも）」「重」「不良」の4段階
分析ポイント
馬場状態が変わると得意不得意が出る。過去の成績を馬場別に分けて扱うと精度UP。
脚質（きゃくしつ）
馬の走り方のスタイル。
| 脚質 | 説明 |
|---|---|
| 逃げ | スタート直後に先頭に立つ |
| 先行 | 前方の好位置をキープ |
| 差し | 中団から最後に伸びる |
| 追込 | 後方から一気に追い込む |
分析ポイント
脚質はペースや頭数、枠順と相性がある。騎手との組み合わせも重要。
枠順（わくじゅん）
レースでの馬のスタート位置（外枠・内枠など）。
通常は1枠〜8枠、最大18頭まで出走
内枠有利／外枠有利はコースによって異なる
分析ポイント
コース別の枠順成績を集計し、バイアス補正に使えるかも。
斤量（きんりょう）
馬が背負う重さ（騎手＋鞍＋ハンデ重量など）。
通常は牡馬56kg、牝馬54kg
ハンデ戦では強い馬に重い斤量が課される
分析ポイント
斤量が増えるとパフォーマンスに影響する傾向あり。過去との比較が重要。
血統（けっとう）
馬の父・母・祖父などの系譜。スピード型、スタミナ型、芝・ダート適性などの傾向が見られる。
分析のヒント
未勝利や過去データの少ないレースに役立つでしょう。
競走除外、出走取消、競走中止の違い
| 区分 | いつ起こる？ | 馬券の扱い |
|---|---|---|
| 出走取消 | 出馬投票後～装鞍所に入る前 | 該当馬券は全額返還（枠連は同枠例外あり） |
| 競走除外 | 装鞍所に入った後～発走前 | 同上 |
| 競走中止 | 発走後 | 返還なし（不的中） |
分析のヒント
出走取消、競走除外、競走中止を考慮したデータクリーニングが必要でしょう。
オッズ
オッズは馬券的中時の概算払戻率。発売締切後に最終オッズが公表されるが、 その後に競走除外や同着の発生などによって、最終オッズと異なる率による払戻金となる場合がある。
分析のヒント
最終オッズは、購入時点では確定していない情報であるため、分析の際に注意が必要。 また、収益計算に最終オッズを用いると、実際の払戻金と差異が生じる可能性がある。
データソースと取得方法
JRA公式サイト
- 特徴：JRAが提供する公式レース情報。
- 取得可能データ：
- 出馬表（前日〜当日）
- レース結果（着順・タイム・騎手など）
- 払戻金（オッズ）
- レース映像（参考用）
- 取得方法：スクレイピング可能だが、アクセス規約に注意が必要
注意
大量スクレイピングは利用規約に抵触する可能性あり。公式APIはなし。
JRA-VAN DataLab
https://jra-van.jp
有料ですが、質がいいのでこれがおすすめ。
- 提供形式：専用SDK（Windows用）またはSQLダウンロードサービス
- 主な内容：
- レース・馬・騎手・調教師・血統の詳細情報
- 蓄積された過去データ（1990年代以降も可）
- 馬毎の過去成績（着順、タイム、馬場、騎手、脚質など）
- 速報データ
使用方法（データサイエンティスト向け）
- DataLab SDKをインストール（Windows）
- CSVをダウンロードし読み込む（Targetなど）
- PostgreSQLなどにデータをインポートしてSQL分析が可能（PC-Keibaなど）
利点：正確かつ網羅的。過去データを時系列で扱えるため、機械学習にも最適。
netkeiba.com
- 特徴：国内最大級の競馬情報ポータル
- 取得できる情報：
- 馬・騎手・レースの情報（プロフィール、成績）
- ニュース・調教・掲示板・予想コメントなど
- 有志による「指数」や「印」など主観的な評価も
注意点
- スクレイピングは自己責任: PythonではBeautifulSoup + requestsで取得する人もいるが、利用規約を守ること。
- 情報の整合性は基本的に高いが、構造化データではないため加工が必要
- 有料コンテンツもある
競馬におけるデータ分析の着眼点
競馬は「不確実性 × 多変量 × 時系列」が複雑に絡み合うデータ構造を持つため、 データサイエンティストにとって非常に豊かな分析対象です。
馬のパフォーマンスを定量化する
着順やタイムの正規化
- 着順はあくまで「相対順位」のため、出走頭数やクラスによって解釈が変わる。
- タイムや上がり3F（最後の600m）のラップは馬場補正・展開補正を加えることで実力を推定可能。
指数や能力スコア
- 自作で「スピード指数」や「パフォーマンススコア」を構築することで、汎用的なモデルが組める。
- 例：過去5走の平均タイム（馬場補正済）＋クラス補正など
人気・オッズと成績の乖離を探る
オッズは「市場の予測」
- 単勝・複勝オッズは投資者集合の予測。
- 実際の着順との乖離を検証することで、過小評価・過大評価の馬を発見できる。
期待値（Expected Value）計算
期待値 = モデル予測確率 × オッズ- 高期待値馬を抽出してベッティング戦略に応用可能
環境要因との相性を探る
馬場状態・距離・天候
- 馬場：良・稍重・重・不良の影響を受ける馬が明確に分かれる
- 距離適性：短距離型、マイラー、中距離型、長距離型の分類
- 天候：湿った馬場と気温はパフォーマンスに影響
コース・競馬場ごとの特性
- 例：「逃げ馬有利」などコース別バイアス
- 枠順との組み合わせも重要（内枠有利 or 外枠有利）
騎手・調教師の影響
騎手の傾向分析
- 得意な脚質（逃げ・差し）や競馬場を定量化
- 「騎手×馬」のコンビ成績で相性評価
調教師の影響
- 調教スタイルによる仕上がり方の差
脚質・展開の分析
脚質分類
- レース中のポジション取り（逃げ・先行・差し・追込）
- 展開（ペース）との相性を見る：スローペース vs ハイペース
ペース予測と展開シミュレーション
- 出走馬の脚質構成からペースを予測
- どのタイプが展開に乗りやすいかを数値化
時系列・直近傾向の把握
ローテーション分析
- 直近レースからの間隔（日数）、距離変化、場所変化
- クラス変化で勝敗が変わる。
調子の波・近走傾向
- 近5走の順位・タイム・上がりをトレンド化
- 成績の浮き沈みやバイアス
血統と適性の分析
芝・ダート、距離など適性の傾向
- 父系・母系から適性距離・馬場がある程度見える
- 特に2歳・3歳戦では血統から仮説を立てやすい
ベッティング戦略との統合
モデル予測との組み合わせ
- 単に的中させるだけでなく、「どう買えば儲かるか」という観点で予測を活かす
- 予測確率 × 実際の配当から期待値戦略を設計
ポートフォリオ構築
- 単勝/複勝/3連複などのバランス
- 死票買わない戦法？
- 分散投資的なアプローチで安定性を向上？
モデル
回帰モデル：タイム・着順の予測
-
モデル例：
- 線形回帰（Linear Regression）
- ランダムフォレスト回帰（Random Forest Regressor）
- LightGBM Regressor
- ニューラルネット
-
着順をスコア化し、順位を数値で評価する
要注意
タイム予想の精度は高いものの、着差がわずかであるため、着順の予測には繋がりが薄いかな。
分類モデル：複勝圏内の確率予測
-
モデル：
- ロジスティック回帰
- LightGBM / XGBoost（分類設定）
- ニューラルネット
-
この馬は3着以内に入る確率は高いか？を予測する
- オッズとの乖離を活かしたベッティング戦略構築
要注意
同レースの他の馬との実力差を考慮するようにモデル構築しないと
ランキングモデル：順位予測・ベスト3の抽出
-
モデル
- LambdaRank
-
各レース内で「相対的な強さ」を予測して、順位を決定
- ベスト3（馬券対象）を効率よく選出
Tip
四位以上の馬の予測精度は気にする必要ない
回収率最大化を目的とした最適化モデル
-
モデル：
- 確率予測 + オッズによる期待値計算 → ベット額最適化
- ポートフォリオ理論を応用したリスク調整ベッティング
- reinforcement learning
-
「的中率」ではなく「投資効率（回収率）」を重視するモデル
- 低人気の高期待値馬を選定し、高配当を狙う
Warning
的中率が低い場合運がどうかをHypothesis testで検証すべき また、収益だけでなく、drawdownも同時に考えるべき。
アンサンブル戦略：複数モデルの組み合わせ
- モデル：
- 回帰＋分類＋ランキングのハイブリッド
- 競走条件によるmetaモデルでのサブモデル選出
競馬にありがちな落とし穴（データ分析視点）
競馬はデータが豊富な分、正しく扱わないと誤解や誤学習に陥るリスクが高い領域です。ここでは、データ分析の観点からよくある「落とし穴」や注意点を紹介します。
Look Ahead bias
問題
学習データに、予測時には使えない未来情報（例：レース結果、払戻金、オッズなど）を含めてしまう。 - 「単勝オッズ」「着順」「払戻金」などを特徴量に使ってしまう - モデルが未来を知っている状態になり、異常に高い精度になる
結果バイアス
問題
「勝った馬は強かった」「人気馬が飛んだのは不可解」など、結果を基に理由を後付けしてしまう。 - 着順だけをモデルに学習させる → 不安定な学習になる - 展開や馬場、枠順などの文脈を無視した特徴量設計
サンプルの偏り
問題
重賞レースやGⅠだけを対象にするなど、偏ったサンプルだけで学習・評価してしまう。 - 強い馬ばかりのレース → 分類モデルが「全部当てる」のが簡単 - ダートより芝の方がデータ量が多い → 適性の差が歪む
高人気馬ばかりを的中とする評価
問題
的中率だけでモデルを評価すると、人気馬ばかり選ぶだけのモデルが高スコアになる。 - 1番人気の複勝率は60〜70%近く → 「全部1番人気で当てた」モデルが高精度 - 実際にはオッズの割に期待値がマイナスであることも多い
データの非独立性の無視
問題
競馬では同じレース内の馬同士が依存関係にある（順位は相対的）にも関わらず、独立データとして扱ってしまう。 - レース全体で1着〜18着を順位回帰で学習 → 相対順位を無視したラベル - 各馬をバラバラに処理 → 同じレースに出走した他馬の影響が加味されない
テストデータが未来に偏っている
問題
ランダムにトレイン/テストを分けると、未来のレースが学習に含まれ、本番での精度と乖離が生じる。 - 同年の後半レースを先に学習 → 初期レースで評価すると過学習になる