予測の質
勝率予測のズレを補正するCalibration（確率校正）が、未使用データでも崩れないか。
RESEARCH RESULTS
結果は「数字」だけでなく、
どの段階のEvidenceかで読む。
過去検証の数字と実運用の実績を混ぜず、何を試し、何が変わり、採用したかを同じ型で追います。
HOW TO READ
まず、結果の種類を分けます。
強い数字が出ても、それだけで「使えるAI」とは判断しません。
市場との差
Fair Oddsと市場価格の差が、偶然ではなく繰り返し観測できるか。
運用の再現性
過去検証（Backtest）→ 疑似運用（Shadow）→ 実運用確認（Live）で、同じ判断手順を維持できるか。
CURRENT POSITION
現在は、114個の特徴量を1つずつ外して必要性を検証しています。
Family単位の検証では7つの情報群すべてで、外すと総合LogLossが悪化しました。次は候補114個を2021〜2024年の固定4分割で個別に比較し、最終特徴量セットへ進む材料を作ります。EXP_RF_0012 / Individual Feature Ablation
前日までの情報だけで比較する境界
レース前日までに利用可能だった情報だけを使い、後から分かった情報を混ぜない検証ルールを固定しています。
114特徴量を個別検証中
候補特徴量を1つずつ外し、同じ固定4分割条件で予測指標がどう変わるかを比較しています。Family単位の結果だけで全部を残すとは判断しません。