公営ギャンブルAI検証｜競艇・オートレース19,135レース実証結果

AIがギャンブルに挑戦する──公営ギャンブルでAIは本当に勝てるのか

公営ギャンブルでAIは勝てるのか。結論は「条件付きで勝てる」だ。

全レースに均等に賭け続ければ負ける。しかし、AIが算出した期待値を使って「割の良いレース」だけに絞れば、回収率100%超えを実現できた。これは机上の空論ではなく、19,135レースの実証データが裏付ける事実だ。

検証に使ったのは、競艇AI「NAGI AI」とオートレースAI「TODOROKI AI」の2モデル。競艇11,607レース・オートレース7,528レースの合計で、期待値フィルタ適用時の回収率はそれぞれ129.7%・124.9%を記録した。

AI	対象競技	検証レース数	全レースROI	期待値フィルタ後ROI
NAGI AI	競艇	11,607	93.0%（赤字）	129.7%（EV≧1.0 / 5,185R）
TODOROKI AI	オートレース	7,528	77.8%（赤字）	124.9%（EV≧1.0 / 2,719R）

この記事では、なぜ全レース均等賭けでは負けるのか、期待値フィルタとは何か、そして2つの公営競技でAIがどのような成績を残したかを、具体的な数値とともに全て開示する。「公営ギャンブル AI 勝てる」「競艇 AI 回収率」を調べているなら、この実証データが判断材料になるはずだ。

なぜ「AI vs 公営ギャンブル」なのか──人間の予想が構造的に負ける理由

人間の認知バイアスがギャンブルを不利にする

公営ギャンブルで長期的に負ける最大の原因は、控除率ではない。認知バイアスだ。

人間の予想には、3つの構造的な偏りがある。

1. 本命偏重バイアス

競艇なら1号艇、オートレースなら人気選手に賭けが集中する。その結果、本命のオッズは適正値より低くなり、当たっても利益が出ない「割の悪い賭け」が大量に生まれる。実際、競艇1号艇の平均オッズは1.8倍程度にとどまり、控除率25%を考慮すると的中しても長期期待値はマイナスになりやすい。

2. 直近成績バイアス

直近3走の成績だけで判断し、長期的な実力やコース適性、モーター・エンジンの性能差を無視する。統計的には数百レース分のデータが必要な判断を、わずか3レースの情報で下してしまう。

3. 万舟（大穴）偏重バイアス

一発逆転を狙って大穴に賭ける層が一定数いる。これにより中穴帯のオッズが相対的に放置され、「本命でも大穴でもない中間域」に期待値の高いレースが生まれやすい。

これらのバイアスは個人の能力の問題ではない。人間の脳の構造的な特性であり、意志の力で完全に排除することはできない。AIが公営ギャンブルに有利な最大の理由がここにある。

AIの強み──大量データの機械的・一貫した処理

AIはこれらのバイアスを持たない。感情もなく、直近の連敗に引きずられることもない。

NAGI AIは55種類の特徴量（選手成績・モーター性能・コース適性・天候・展示タイム・オッズなど）を使用し、256,623行の学習データをもとに11,607レースのテストデータで検証した。1着的中率は57.9%に達する。

TODOROKI AIは37種類の特徴量に加え、Optunaによるハイパーパラメータ自動最適化を実施。5年分・208,583行の学習データをもとに7,528レースで検証し、モデル精度を人手チューニングの限界を超えるレベルまで引き上げている。

人間が1レース分のデータを読み込むのに5分かかるとすれば、19,135レース分は約66日間（24時間稼働換算）。AIはこれを数分で処理し、しかも感情に左右されない。

もう一つの重要な強みは一貫性だ。人間は連敗すると賭け方を変えたくなる──熱くなって大きく張ったり、逆に怖くなって勝負を避けたりする。AIは事前に定めたルールを淡々と繰り返すだけだ。この一貫性こそが、長期的に確率を味方につけるための必須条件である。

検証1: 競艇AI（NAGI AI）──11,607レースの実証データ

モデル概要（LightGBM・55特徴量・時系列分離検証）

項目	内容
モデル	LightGBM
特徴量	55種類
学習データ	256,623行
テストデータ	11,607レース
時系列分離	あり（学習期間とテスト期間は重複なし）

最重要ポイントは時系列分離だ。学習データには2025年12月15日以前のレースのみを使用し、テストデータは2025年12月16日以降のレースで構成している。「未来データでのカンニング」を排除したこの設計が、AI競艇予測の検証として信頼性を担保する最低条件だ。

全レース均等賭け → 回収率93%（赤字の構造的原因）

NAGI AIの1着的中率は57.9%。2回に1回以上は当たる高精度モデルだ。

しかし、全11,607レースに1,000円ずつ均等に賭けた場合、回収率は93.0%──赤字になる。

原因は明確だ。AIが「1号艇が勝つ」と正しく予測しても、1号艇の平均オッズは1.5〜3倍程度にしかならない。控除率25%を考慮すると、的中しても利益が薄く、外れた際の損失を取り返せないためトータルでマイナスになる。

これは「AIの予測精度が低いから負ける」のではない。「正確に当てるだけでは勝てない」という競艇の控除率構造が原因だ。この事実を理解しないまま競艇AIを使うと、高精度モデルを使っても損をする。

期待値フィルタ適用 → 回収率129.7%（黒字転換のメカニズム）

そこで発想を転換する。「全レースに賭ける」のをやめ、期待値（EV）が1.0以上のレースだけに絞り込む。

期待値の計算式はシンプルだ。

期待値（EV）= AI予測勝率 × オッズ

EV≧1.0とは「長期的に賭け続ければ元本以上が返ってくる」ことを意味する。逆に言えば、EV＜1.0のレースに賭け続けるのは統計的に損失が確定している行為だ。

EV閾値	対象レース数	回収率
全レース	11,607	93.0%
EV≧1.0	5,185	129.7%
EV≧1.5	882	199.6%

EV≧1.0でフィルタリングすると対象レースは5,185レースに絞られるが、回収率は129.7%まで改善する。さらにEV≧1.5に絞ると882レースで回収率199.6%。閾値を上げるほど回収率は向上するが賭けられるレース数は減少する。このトレードオフをどう設定するかは、資金量と運用期間によって判断が分かれる。

競艇のデータ分析手法についてさらに深く知りたい場合は競艇のデータ分析手法も参考にしてほしい。

競艇AIの検証結果をさらに詳しく知りたい場合は、競艇AIの検証結果を詳しく見るを参照してほしい。

検証2: オートレースAI（TODOROKI AI）──7,528レースの実証データ

モデル概要（LightGBM・37特徴量 + Optuna自動最適化）

項目	内容
モデル	LightGBM + Optuna（ハイパーパラメータ最適化）
特徴量	37種類
学習データ	208,583行（5年分）
テストデータ	7,528レース
時系列分離	あり

TODOROKI AIは競艇AI「NAGI AI」の知見をオートレース専用に再設計したモデルだ。Optunaによるハイパーパラメータ自動最適化を導入することで、人手チューニングでは到達できない予測精度を実現。5年分208,583行の学習データを使用している。

ハンデ構造の攻略──8号車が「最も勝率が高い」理由

オートレースで最も重要な発見は、8号車（最大ハンデ）の勝率が30.1%に達するという事実だ。全8台のレースで期待値ベースの均等勝率は12.5%であることを踏まえると、8号車の30.1%は約2.4倍の優位性を持つ。

8号車は最も後方からスタートする。直感的には不利に見える。しかし、最大ハンデを課されるのは「それだけ速い選手」だからだ。大きなハンデを背負ってもなお勝てる実力者が集まる枠である。

しかも、ハンデが大きいため一般ファンは「さすがに追いつけないだろう」と判断し、オッズが適正値より高くなりやすい。つまり「強い選手なのに市場で過小評価されている」状態が構造的・継続的に発生する。

TODOROKI AIはこの構造を学習し、ハンデと実力のバランスが崩れているレース──「速い選手が市場で過小評価されているレース」を自動検出する。これはオートレース特有の歪みであり、競艇や競馬にはない期待値の源泉だ。オートレースのハンデ構造について詳しくはオートレースのハンデ構造で解説している。

期待値フィルタ適用 → 回収率124.9%（全レース均等賭けから47ポイント改善）

EV閾値	対象レース数	回収率
全レース	7,528	77.8%
EV≧1.0	2,719	124.9%
EV≧1.2	847	165.9%

競艇と同じパターンだ。全レース均等賭けでは回収率77.8%と大幅な赤字だが、EV≧1.0のフィルタを入れると回収率124.9%で黒字転換。EV≧1.2に絞ればさらに165.9%まで向上する。控除率30%というオートレースの構造的不利を、AIの期待値フィルタが補って余りある結果だ。

オートレースAIの詳細な検証過程はオートレースAIの検証結果を詳しく見るにまとめている。

競艇 vs オートレース──AIとの相性を実データで比較

2つの公営競技で検証した結果を並べると、競艇はサンプル数が多く統計的信頼性が高い一方、オートレースはハンデ構造による歪みが大きくAIの優位性が出やすいという特性が見えてくる。

比較項目	競艇（NAGI AI）	オートレース（TODOROKI AI）
出走数	6艇	8車
控除率	25%	30%
AI競合	少ない	ほぼゼロ
ハンデ制	なし（枠番制）	あり（0m〜110m）
検証レース数	11,607	7,528
EV≧1.0 ROI	129.7%	124.9%
特徴量数	55	37

どちらもAI予測の有効性は実証された。特筆すべきはオートレースのAI競合がほぼゼロという点だ。競馬AIはすでにレッドオーシャン化しているが、オートレースにAIを系統的に適用している参入者はほとんどいない。市場の歪みが大きく残っており、期待値ベッティングが機能しやすい環境が現時点では維持されている。

一方で、オートレースの控除率は30%と競艇の25%より5ポイント高い。この構造的不利をAIの予測精度で補えるかが勝負の分かれ目だ。TODOROKI AIはEV≧1.0でROI 124.9%を記録しており、控除率の差を補って余りある成績を出している。

期待値ベッティングの仕組みを基礎から理解したい場合は、期待値ベッティングの基礎を学ぶを参照してほしい。

NAGI AI・TODOROKI AIはどちらも毎日Xで無料予測を公開している。実際のレースでAIがどのような予測を出すのか、@nagi_ai_boat（競艇）と@todoroki_ai_ar（オートレース）をフォローして確認してほしい。

AIでも勝てない条件──正直に開示するリスクと限界

短期的には負ける日がある──必要サンプル数の目安

AIは魔法ではない。期待値ベッティングは「長期的に回収率100%を超える」戦略であり、1日単位では普通に負ける日がある。

フォワードテスト（実際のリアルタイム検証）では累計173レースでROI 112.8%を記録しているが、個別の日単位では赤字になる日も複数存在する。

期待値ベッティングが統計的に機能するには十分なサンプルサイズが必要だ。100レース未満の結果で「AIは使えない」と判断するのは統計的に早計であり、最低でも200〜300レースの累計で評価すべきだ。バックテストで数千レース規模の検証を行っているからこそ、統計的に有意な結論が導き出せている。

全レース均等賭けでは負ける──AIの正しい使い方

これは繰り返し強調する。AIがどれだけ高精度でも、期待値フィルタなしの全レース均等賭けでは赤字になる。競艇AI（NAGI AI）で実証済みだ。

AI	全レース均等ROI	EV≧1.0 ROI	差分
NAGI AI	93.0%	129.7%	+36.7pt
TODOROKI AI	77.8%	124.9%	+47.1pt

AIは「当てるツール」ではなく「割の良いレースを見つけるツール」だ。予測結果をそのまま全て買うのではなく、期待値でフィルタリングすることで初めて利益が生まれる。

この構造を理解せずに「全レース的中率」だけでAIの性能を評価すると、本質を見誤り、正しい運用ができない。

市場が効率的になれば歪みは縮小する

理論的には、AI予測の参入者が増えればオッズの歪みは縮小し、期待値ベッティングの優位性は薄れる。アルゴリズム取引の普及により株式市場の裁定機会が激減したのと同じ原理だ。

しかし、現時点の公営ギャンブル市場はそうなっていない。賭け手の大多数は感覚ベースの個人ファンであり、AIを使って系統的にベッティングしている層はごく少数だ。特にオートレースではAI予測の競合が事実上存在しない。

この「非効率な市場」がいつまで続くかは保証できないが、当面は歪みが維持される見込みだ。競馬と比べて競艇・オートレースは市場規模が小さく、機関投資家的プレイヤーが参入するインセンティブが低い。これが個人レベルのAI運用でも優位性を持続できる理由であり、今がAI公営ギャンブル予測を試す最良のタイミングといえる。

まとめ──AIは「確実に勝つ魔法」ではなく「確率を味方にする道具」

19,135レースの実証データで明らかになった3つの結論を整理する。

1. AIは公営ギャンブルで「条件付きで」勝てる

全レース均等賭けでは回収率74〜82%台で負け越すが、期待値フィルタを適用することで回収率100%超えを安定して達成できた。

2. 勝敗を分けるのは「的中率」ではなく「期待値」

的中率57.9%でも赤字になる一方、期待値フィルタを導入すると回収率129.7%を実現。AIの本質的な価値は「数万レースのオッズと過去データを即時処理し、割の良いレースだけを選別する能力」にある。

3. 競艇もオートレースもAIが有効

競技・モデルが異なる2つのケースで「全レース赤字→期待値フィルタで黒字」という同一パターンが再現された。これは偶然ではなく、期待値ベッティング戦略が持つ構造的優位性の証拠と言える。

4. 短期的な収支の上下は避けられない

AIはあくまで確率を操作する道具であり、1レースごとの結果を保証する魔法ではない。ただし、十分なサンプル数（目安：500レース以上）を積み重ねれば、期待値の優位が収支に反映されやすくなる。

NAGI AI・TODOROKI AIは毎日X（旧Twitter）で無料予測を公開している。実際のデータが本物かどうか、まず自分の目で検証してほしい。

無料で試す

・競艇AI予測（NAGI AI）: @nagi_ai_boat をフォロー（無料・登録不要）

・オートレースAI予測（TODOROKI AI）: @todoroki_ai_ar をフォロー（無料・登録不要）

全レースのAI予測・期待値データを見る

noteメンバーシップ（月額1,980円〜）で、競艇・オートレースの全レースAI予測を毎日配信中。期待値スコアつきの予測を全レース分確認でき、自分でフィルタリングして活用できる。

関連記事

・競艇AIの検証結果を詳しく見る（19,135レースの生データ付き）

・オートレースAIの検証結果を詳しく見る（回収率推移グラフ付き）

・期待値ベッティングの基礎を学ぶ（初心者向け解説）

・競艇のデータ分析手法（オッズと着順の相関分析）

・オートレースのハンデ構造とAI予測への活用法

・AIを無料で試す方法（ステップ別ガイド）