期待値の計算方法｜ギャンブルの控除率と勝つ確率

控除率とは何か──ギャンブルの期待値を決める「場の取り分」

ギャンブルで長期的に勝つには、期待値（EV）の理解が不可欠だ。公営ギャンブルでは賭け金の全額が的中者に還元されるわけではなく、売上の一定割合が運営側に差し引かれる。この差し引かれる割合を控除率と呼ぶ。控除率を正確に把握することが、ギャンブル期待値計算の出発点となる。

主な公営ギャンブルの控除率は以下の通りだ。

種目	控除率	理論上の回収率
競馬（単勝・複勝）	約20%	80%
競馬（3連単）	約27.5%	72.5%
競艇	25%	75%
オートレース	30%	70%
競輪	約25%	75%

控除率25%の競艇では、全選手に均等に賭けた場合の期待回収率（ROI）は75%。オートレースは控除率30%で、理論回収率は70%とさらに重い。これは全レース・全選手に分散して賭け続けると、長期的に投資額の25〜30%を失うことを意味する。

では、なぜ均等賭けの回収率が100%にならないのか。競艇を例に具体的な数字で計算してみよう。

あるレースの総売上が1,000万円だとする。控除率25%が差し引かれ、払戻原資は750万円。全6艇のオッズは、それぞれへの売上分布に基づいて決まる。たとえば1号艇に400万円、2号艇に200万円、3号艇に150万円と賭けられた場合、各艇のオッズは以下のようになる。

・1号艇：750万 ÷ 400万 = 1.875倍

・2号艇：750万 ÷ 200万 = 3.75倍

・3号艇：750万 ÷ 150万 = 5.0倍

各艇のオッズから「暗示確率」（1 ÷ オッズ）を計算し、全艇分を合計すると100%にはならない。

1/1.875 + 1/3.75 + 1/5.0 + … ≒ 133%

この100%超の33%分が控除率の影響だ。暗示確率の合計が常に100%を超えるため、全艇に均等に賭けても必ず損をする構造になっている。この「オーバーラウンド」の理解が、ギャンブル期待値ベッティングの出発点である。

ギャンブルの期待値（EV）計算──なぜEV>1.0が勝ちの条件なのか

期待値の正確な定義と計算式

期待値（EV: Expected Value）とは、ある賭けを「無限回繰り返したとき」の1回あたりの平均リターンだ。ギャンブルにおける期待値の数学的定義は以下の通り。

EV = 勝つ確率 × 勝ったときのリターン + 負ける確率 × 負けたときのリターン

賭け金を1単位として計算すると、

EV = P × オッズ + (1 – P) × 0 = P × オッズ

ここでPは「その選手が勝つ真の確率」、オッズは「的中時の払戻倍率」だ。負けたときのリターンは0なので、式はシンプルにP × オッズとなる。

具体例で考えよう。ある選手の勝つ確率が30%で、オッズが4.0倍の場合、

EV = 0.30 × 4.0 = 1.20

100円賭けるごとに期待リターンが120円。長期的に20%の利益が見込める、プラス期待値の賭けだ。

EV=1.0は「ゼロサム」、EV>1.0は「プラスサム」

EVの値が意味するところを整理する。

・EV = 1.0：長期的に賭け金と同額が戻る。利益も損失もゼロ。均衡状態

・EV > 1.0：長期的に賭け金以上が戻る。プラスサムの賭け。利益が出る

・EV < 1.0：長期的に賭け金を下回るリターン。マイナスサムの賭け。損失が出る

控除率が存在する公営ギャンブルでは、全レースの平均EVは必ず1.0未満になる。競艇なら0.75、オートレースなら0.70。しかしこれは「全レースの平均」の話だ。個別レースに目を向ければ、EVが1.0を超える賭けは確実に存在する。

EV>1.0の賭けだけを選び続けることが、控除率を超えるための数学的に唯一の方法だ。

控除率を考慮した損益分岐点の計算

期待値計算式で最重要なのは「P（勝つ確率）」が真の確率でなければ意味がない点だ。問題は、真の確率は誰にもわからないことにある。

そこで活用するのが「モデル予測確率」だ。AIモデルが過去データから学習した予測確率をPとして代入する。モデルの精度が高いほど、このPは真の確率に近い値を示す。

NAGI AIの場合、11,607レースのテストデータで以下の結果が実証されている。

・全レース均等賭け：ROI 93.0%（EV平均 < 1.0）

・EV ≥ 1.0フィルタ：ROI 129.7%（5,185レース）

・EV ≥ 1.5フィルタ：ROI 199.6%（882レース）

EV ≥ 1.0と判定したレースの実際のROIが129.7%だったことは、モデルの確率推定が実戦レベルの精度を持つ証拠だ。競艇の回収率改善戦略ではこのフィルタの実践的な使い方を解説している。

オッズ暗示確率の計算──ギャンブル市場の「本音」を逆算する

暗示確率 = 1 ÷ オッズ

オッズから市場が「この選手の勝率をどう見ているか」を逆算できる。これがオッズ暗示確率であり、ギャンブル期待値計算の基礎となる指標だ。

暗示確率 = 1 ÷ オッズ

オッズ2.0倍なら暗示確率は50%、オッズ5.0倍なら20%、オッズ10.0倍なら10%。市場（＝購入者全体）がその選手にどの程度の勝率を見込んでいるかを、この計算で数値化できる。

控除率を除去した「真の市場評価」の計算方法

ただし、暗示確率をそのまま信じてはならない。全選手の暗示確率を合計すると100%を超える（競艇で約133%、オートレースで約143%）。この超過分は控除率の影響であり、各選手の暗示確率から差し引く必要がある。

補正の方法は単純だ。各選手の暗示確率を合計値で割るだけでよい。

補正後確率 = 暗示確率 ÷ 暗示確率の合計

たとえば競艇で暗示確率の合計が133%の場合、オッズ4.0倍（暗示確率25%）の選手の補正後確率は、

25% ÷ 133% ≒ 18.8%

市場はこの選手の勝率を約19%と評価していることになる。25%ではなく19%。この6ポイントの差が控除率の影響だ。

具体例: オッズ4.0倍 → 暗示確率25% → 補正後約19%

全6艇の具体例で計算してみよう。

艇番	オッズ	暗示確率	補正後確率
1号艇	1.8倍	55.6%	41.8%
2号艇	5.0倍	20.0%	15.0%
3号艇	7.0倍	14.3%	10.7%
4号艇	10.0倍	10.0%	7.5%
5号艇	15.0倍	6.7%	5.0%
6号艇	4.0倍	25.0%	18.8%
合計	—	131.6%	98.8%（≒100%）

補正後の確率は合計でほぼ100%になる。これが「市場が実際に見積もっている各艇の勝率」だ。

期待値ベッティングの核心はここにある。自分の予測モデル（またはAI）が「6号艇の勝率は25%」と判断しているなら、市場評価18.8%との差は6.2ポイント。オッズ4.0倍でEV = 0.25 × 4.0 = 1.00。ほぼ損益分岐だが、モデルの予測確率がさらに高ければEV>1.0の明確な利益機会となる。

ギャンブルで「市場の歪み」が発生する3つの理由

EV>1.0の賭けが存在するためには、「市場の評価」と「真の勝率」にズレがなければならない。このズレはなぜ発生するのか。行動経済学の知見に基づき3つのバイアスを解説する。

本命偏重バイアス（人気艇にオッズが偏る）

公営ギャンブルで最も頻繁に観測されるのが、本命偏重バイアス（Favourite-Longshot Bias）だ。購入者は「勝ちやすそうな選手」に過剰に集中する傾向があり、人気艇のオッズが実力以上に低くなる。

競艇の1号艇がその典型例だ。実勝率55.1%の1号艇に購入者が殺到し、オッズが1.5〜1.7倍に押し下げられる。EV = 0.551 × 1.6 = 0.88。期待値は1.0未満で、長期的には12%の損失になる。この人気の偏りにより他のコースのオッズは相対的に上昇し、2〜4コースに実力選手がいる場合にEV>1.0の機会が生まれる。

競艇のデータ分析でこのバイアスの影響を詳しく解説している。

直近成績バイアス（最近の結果に過剰反応）

購入者は選手の直近1〜2走の成績に過剰反応する傾向がある。前走1着の選手は過大評価され、前走大敗の選手は過小評価される。

統計的には、1走分の結果のサンプルサイズはわずか1だ。1回の結果で実力を判断するのは、コインを1回投げて「このコインは表しか出ない」と結論するのと同程度の信頼性しかない。

このバイアスにより、前走凡走の実力者に割高なオッズがつくケースが発生する。これがプラス期待値を生む典型パターンだ。

万舟偏重バイアス（大穴に非合理的な賭け）

本命偏重と逆のパターンもある。「万舟（大穴）」を当てたいという心理から、実勝率が極めて低い艇にも非合理的に賭ける購入者が存在する。

6号艇の実勝率3%に対し「もしかしたら」と賭ける人が集まると、本来の妥当オッズ（33.3倍）より低い20倍に押し下げられる。EV = 0.03 × 20 = 0.60。大幅マイナスの賭けだ。

万舟狙いの購入者が多いほど穴艇のオッズは妥当値より低くなり、期待値はマイナスに振れる。大穴的中の快感は大きいが、数学的には系統的に損をする行動パターンだ。

大数の法則──長期でギャンブルの期待値に収束する数学的保証

期待値（EV）がプラスの賭けを見つけたとして、本当に長期的には利益が出るのか。その数学的保証を与えるのが「大数の法則」だ。

大数の法則とは、「独立した試行を繰り返すほど、結果の平均は理論上の期待値に近づく」という統計学の定理だ。コインを1,000回投げれば表の比率は50%に収束し、サイコロを10,000回投げれば各目の出現率は16.7%に近づく。

ギャンブルに適用すると、EV1.2の賭けを繰り返せば実際のROIは120%に収束していく。ただし収束には数百〜数千試行の規模が必要で、試行数が少ないうちは大きくブレる。

レース数	結果のブレ幅（目安）	実感
10レース	ROI 0%〜300%	運次第。判断材料にならない
50レース	ROI 60%〜180%	傾向は見えるが信頼性は低い
100レース	ROI 80%〜160%	ある程度の信頼性が出てくる
500レース	ROI 100%〜140%	戦略の有効性を評価できる
1,000レース以上	ROI 110%〜130%	期待値への収束が明確になる

NAGI AIのテストデータが11,607レース、TODOROKI AIが7,528レースという大規模検証を行っているのは、大数の法則によって結果の統計的信頼性を担保するためだ。10〜50レース程度の結果は「たまたま」の可能性が高いが、数千レース規模になれば偶然の影響は極小化され、統計的に有意な結論が得られる。

ギャンブルで期待値を活かす実践において重要なポイントは以下の通りだ。

・短期の連敗で戦略を放棄しない。EV1.2の賭けでも5連敗は約33%の確率で発生する

・短期の連勝で過信しない。5連勝も同確率で起こり得るが、長期のEVとは無関係だ

・資金管理を徹底する。大数の法則が機能するまでの試行回数（最低100〜200回）を耐えられる資金を確保する

・最低100レース以上の結果で戦略を評価する。それ以下のサンプルサイズでは、運と実力の区別が統計的につかない

大数の法則は「期待値プラスの戦略が長期的に利益をもたらす」ことの数学的根拠だが、同時に「短期的には損失が続く可能性がある」ことも示している。この両面を正しく理解した上で実践に臨むことが、ギャンブルで期待値を活用する際の大前提だ。

まとめ──ギャンブルの期待値計算で控除率の壁を超える

本記事で解説した「ギャンブルの期待値（EV）計算」の数学的根拠を整理する。

概念	定義	実践上の意味
控除率	売上から差し引かれる運営の取り分	競艇25%、オートレース30%。均等賭けでは超えられない壁
期待値（EV）	P × オッズ	EV>1.0の賭けだけを選べば長期的にプラス
暗示確率	1 ÷ オッズ	市場が見積もっている勝率。控除率を補正して使う
市場の歪み	真の確率と暗示確率の乖離	バイアスが歪みを生み、EV>1.0の機会を作る
大数の法則	試行回数が増えるほど平均はEVに収束	短期は運、長期はEVが結果を決める

競馬・競艇・オートレースなど公営ギャンブルに共通する控除率25〜30%の壁は、感覚や直感では超えられない。しかし期待値計算という数学的手法を使えば、この壁を越えるための明確な道筋が見える。

1. 市場のオッズから暗示確率（Implied Probability）を逆算する
2. 自分の予測（またはAIモデル）と市場評価のギャップ＝歪みを見つける
3. EV>1.0の賭けだけを選択・実行し、EV<1.0は見送る
4. 大数の法則が機能する十分なレース数（最低100回以上）を積み重ねる

NAGI AIは11,607レースの実証検証でEV1.0以上のROI129.7%を、TODOROKI AIは7,528レースの検証でEV1.0以上のROI124.9%を記録した。これらの数字は、期待値計算に基づく数学的アプローチが公営ギャンブルの控除率を実際に超えられることの証明だ。

競艇の回収率改善とオートレースの回収率改善では、それぞれの種目に特化した期待値活用の具体的戦略を解説している。公営ギャンブル全体でのAI活用についてはこちらを参照してほしい。