AIでJRAの回収率110%を目指す検証（第13回）｜外部データを取ってきても、壁は動かなかった

前回の総括で、JRA-VANの構造化データは尽きたと書きました。次に必要なのは外から持ち込む情報です。今回はJRA公式が無料で公開している馬場の物理測定を集め、モデルに足しました。

手持ちのデータが尽きたあとで

23回の実験で、JRA-VANから作れる特徴量はすべて市場に織り込まれていることが分かりました。残る道は、外から情報を持ち込むことだけです。

そこで何が使えるのかを調べたところ、意外なものが見つかりました。JRA公式サイトが無料で公開している馬場の物理測定です。

手持ちのデータと比べます。

4段階のカテゴリしか持っていなかったところに、連続値の物理測定があったわけです。クッション値は芝の反発力を実測したもので、2020年9月から公開されています。含水率は2018年7月からです。

しかも無料。取らない理由がありません。

過去分はPDFで公開されています。URLの規則性が分かったので、1リクエストあたり3秒の間隔を空けて収集しました。

2,252開催日ぶん、10競馬場、2021年から2026年まで。費用は0円です。

ただし、ここからが本題になります。

この検証では過去に3度、有望に見えた数字が消えています。うち1度は、データの3割超に欠損値が混入していたことが原因でした。だから今回も、集めたデータをそのまま信じませんでした。

クッション値と含水率の相関を、年ごとに計算しました。

水を含むほど地面は軟らかくなります。つまりこの相関は、物理的に必ず負になるはずです。

2020年だけ符号が逆でした。 平均も他の年より2ポイント高く、想定範囲を外れた値が27件ありました。

調べると、2020年のPDFはさらに別のレイアウトで、含水率をクッション値として読み取っていました。含水率どうしを相関させれば、当然プラスになります。

2020年を除外しました。

もうひとつありました。231本のPDFを取得したのに、抽出できたのが2年分しかなかったのです。

原因は、2024年以前と2025年以降でPDFのレイアウトが違っていたことでした。

最初に書いたパーサは行単位で日付を探す作りだったので、旧レイアウトでは1行も拾えません。そして何も言わずに「成功」を返していました。

PDFの本数と抽出できた年数が合わないことに気づかなければ、そのまま先へ進んでいたはずです。

対策として、0件だったら警告を出すようにしました。さらに旧形式のパーサには、PDFに書かれた曜日と、日付から計算した曜日が一致するかを確認する処理を入れています。一致しなければその部分は捨てます。日付がずれたまま気づかない事態を、構造的に防ぐためです。

「パースが通った」ことと「正しい値を取れた」ことは、別の話です。

集めたデータをモデルに入れる段になって、ひとつ制約に気づきました。

クッション値も含水率も、同じレースの中では全馬に共通の値です。

使っているモデル（条件付きロジット）は、レースの中で馬を比較する構造をしています。つまりレース内で全馬に共通の値は、数式のうえで消えてしまいます。実際、以前の検証でレース内不変の変数を入れたとき、t値がちょうど0.00になったことがありました。

したがって、クッション値をそのまま入れても、必ず何も起きません。

馬ごとに値が変わる形、つまり交互作用でしか入れられないわけです。この制約は不便ですが、いい面もありました。試せる組み合わせが構造的に絞られるので、恣意的に選んだという疑いが入りにくくなります。

結果を見てから解釈を決めないよう、実行前に5つを確定しました。機構が説明できるものだけです。

特徴量	想定した機構
クッション値 × 前走の4コーナー通過順	硬い馬場は時計が速く前が止まりにくい。先行有利が拡大する
クッション値 × 直近4走の平均指数	硬い馬場ではスピード型の優位が拡大する
含水率 × 前走の4コーナー通過順	脚抜きが変わり、前が残るか止まるかが変わる
\|今回のクッション値 − その馬が過去に走った平均\|	経験した馬場と違うほど力を出しにくい
クッション値 × 距離	硬い馬場の恩恵は距離によって変わる

判定基準はモデルの上積みが+0.15以上。これは調教データ1,183万本を検証したときとまったく同じ数字です。今回だけ緩めることはしません。

基準の+0.15には届きませんでした。

そして、この数字には見覚えがあります。