能力、順位、展開、コース、馬場。
異なる5つの視点を持つ専門モデルを少数で合議させれば、単独モデルでは拾えない情報を補えるのではないか。
今回はその仮説を、事前に固定した条件で時系列検証しました。
結果は、2025年83.4698%、2026年78.8329%、2年を合わせて81.6230%。対象は5,034件です。
100には届きませんでした。
なぜ期待したのか
1つのモデルにすべてを任せるより、異なる専門家を分けた方が頑健になる可能性があります。
今回分けたのは、能力、順位、展開、コース、馬場の5視点です。
さらに、専門モデル同士がどれくらい同意しているか、どれくらい食い違っているかも扱える形にしました。
実測結果
2025年は83.4698%。 2026年は78.8329%。 2年統合で81.6230%。
5,034件を対象にした結果、今回の専門モデル合議V1は100に届かず、事前に決めていた判定どおり不採用です。
一番大きな学び
今回の結果から少なくとも言えるのは、**専門モデルを増やすだけでは足りない**ということです。
能力モデル、順位モデル、展開モデル、コースモデル、馬場モデル。
異なる情報源を持っていても、単純に合わせれば自動的に強くなるわけではありませんでした。
次に重要になるのは、「どの専門家を持つか」よりも「どの場面で、どの専門家を信用するか」を見極めることかもしれません。
今回できるようになったこと
能力・順位・展開・コース・馬場を独立した視点として扱い、それぞれの判断と、専門モデル同士の一致・不一致を測れる仕組みを作りました。
確認対象9項目はすべて実測済みで、未解決は0件です。
やらないこと
今回の数字を見たあとで、重みや条件を都合よく変えることはしません。
結果を見てから「展開を重くする」「特定条件を除く」と調整すれば、今回のデータに合わせた後付け最適化になります。
そのため、今回の結果はそのまま固定します。
次にやること
ここまで、100を目指して複数の方向を試してきました。
選択的ベッティング。 馬同士の順位比較。 レース展開。 専門モデル合議。
次は、さらに新しい仕組みを足す前に、これまでの結果をまとめます。
どの方向に可能性が残り、どの方向は捨てるべきか。 共通して足りなかったものは何か。 次に検証する戦略をどこに置くか。
次の工程では、過去の結果を後付け調整に使わず、次の戦略を事前に決めます。
「何を足せば強くなるか」ではなく、 「なぜ100に届かないのか」を絞り込む段階に入ります。