はじめに：単一指標の限界と混合レーティングの優位性
ボートレースの予想は、長年にわたり「単一指標依存」の罠に陥りがちだ。
たとえば以下のようなケースは誰もが経験している。
- 展示タイムが最速だから買ったのに飛んだ
- モーター2連率が高いのに伸びなかった
- STが速い選手を信じたのに出遅れた
- 枠番が良いのに展開が向かなかった
これらは「単一指標ではレース構造を説明しきれない」ことを示す典型例である。
実際、ボートレースは以下の複合要因で結果が決まる。
- 選手の能力（ST精度、ターン技術、伸び・出足）
- モーター性能（2連率・3連率・部品交換）
- 水面特性（うねり、風、気温、波高）
- 展示情報（展示タイム、直線気配、回り足）
- 進入コース（枠番・前付け・深イン）
- 対戦相性（ライン関係、同支部の並び）
- 番組構造（A1の壁、B級の逃げ残り、女子戦特性）
これらが複雑に絡み合うため、単一の指標では勝率を最大化できない。
そこで登場するのが 混合レーティング（Mixed Rating：MR） である。
混合レーティングは、複数の指標を正規化し、重み付けし、統合することで
「レース構造の歪み」を数値化する分析手法だ。
本記事では、Elo式を基礎にした混合レーティングの構築方法から、
実際のレースを使った計算デモ、精度向上のための動的調整まで、
読者がスプレッドシートやPythonで即実践できるレベルで解説する。
混合レーティングの核心：Elo基本式と拡張統合式
Eloレーティングの基本式（KaTeX）
Eloの期待勝率は以下で定義される。
[
E_A = \frac{1}{1 + 10^{(R_B – R_A)/400}}
]
レース後の更新式は次の通り。
[
R_A’ = R_A + K (S_A – E_A)
]
- ( R_A )：選手Aのレーティング
- ( S_A )：実績（1=勝利、0=敗北、0.5=引き分け）
- ( K )：更新係数
ボートレースでは「1着＝勝利」「2〜6着＝敗北」として扱う。
混合レーティングの拡張統合式（KaTeX）
ボートレースでは複数の指標を統合する必要があるため、
以下のような加重平均モデルを採用する。
[
MR_i =
w_1 \cdot ST_i^{} + w_2 \cdot EX_i^{} +
w_3 \cdot M2_i^{} + w_4 \cdot C_i^{} +
w_5 \cdot F_i^{*}
]
- ( ST_i^{*} )：正規化スタート指標
- ( EX_i^{*} )：展示タイム偏差
- ( M2_i^{*} )：モーター性能（2連率・3連率）
- ( C_i^{*} )：コース別適性
- ( F_i^{*} )：直近リズム（連対率・平均着順）
- ( w_1 \sim w_5 )：重み（合計1.0）
この MR（Mixed Rating） が、
「そのレースにおける選手の総合的な勝ちやすさ」を表す。
指標の選定と正規化：ST・展示・モーター・コース適性
混合レーティングの精度は「どの指標を採用するか」で大きく変わる。
以下に、実際に使われる主要指標と正規化方法をまとめる。
指標一覧と正規化方法（表）
| 指標 | 内容 | 正規化方法 | 重要度 |
|---|---|---|---|
| ST（スタートタイミング） | 平均ST、コンマ別の安定度 | ( ST^{*} = 1 – \frac{ST – ST_{min}}{ST_{max} – ST_{min}} ) | ★★★★★ |
| 展示タイム（EX） | 直線・周回展示のタイム | 偏差値化：( EX^{*} = \frac{EX – \mu}{\sigma} ) | ★★★★☆ |
| モーター性能（M2） | 2連率・3連率・部品交換 | Min-Max正規化 | ★★★★☆ |
| コース別適性（C） | 枠番別成績、進入傾向 | コース別勝率を0〜1に正規化 | ★★★☆☆ |
| 直近リズム（F） | 直近6走の平均着順・連対率 | 1/平均着順で正規化 | ★★★☆☆ |
| 対戦相性（R） | 同支部・ライン関係 | ±補正値（-5〜+5） | ★★☆☆☆ |
| 水面適性（W） | 風向・波高・気温 | 条件別勝率を正規化 | ★★☆☆☆ |
実践モデルの構築：推奨重みと最適化手法
推奨重み（例）
[
w_1 = 0.40 \quad (ST)
]
[
w_2 = 0.15 \quad (展示タイム)
]
[
w_3 = 0.20 \quad (モーター性能)
]
[
w_4 = 0.15 \quad (コース適性)
]
[
w_5 = 0.10 \quad (直近リズム)
]
合計：1.00
重みの最適化方法
- グリッドサーチ
- 遺伝的アルゴリズム（GA）
- ベイズ最適化
- バックテストによる検証
計算デモ：具体的なレース例でステップバイステップ
6選手のデータ（例）
| 枠 | 選手 | ST | 展示 | M2 | コース適性 | 直近F |
|---|---|---|---|---|---|---|
| 1 | A | 0.13 | 6.72 | 58% | 0.82 | 0.70 |
| 2 | B | 0.15 | 6.75 | 52% | 0.60 | 0.65 |
| 3 | C | 0.12 | 6.70 | 44% | 0.55 | 0.55 |
| 4 | D | 0.16 | 6.78 | 40% | 0.48 | 0.50 |
| 5 | E | 0.14 | 6.74 | 35% | 0.42 | 0.45 |
| 6 | F | 0.17 | 6.80 | 30% | 0.38 | 0.40 |
Step1：ST正規化
最速：0.12
最遅：0.17
[
ST^{*} = 1 – \frac{ST – 0.12}{0.05}
]
結果：
| 選手 | ST* |
|---|---|
| A | 0.80 |
| B | 0.60 |
| C | 1.00 |
| D | 0.40 |
| E | 0.80 |
| F | 0.00 |
Step2：展示タイム偏差値化
平均：6.748
標準偏差：0.034
例：C選手
[
EX_C^{*} = \frac{6.70 – 6.748}{0.034} = -1.41
]
Step3：モーター性能正規化
最小30%、最大58%
[
M2^{*} = \frac{M2 – 0.30}{0.28}
]
Step4：混合レーティング計算
例：A選手（展示偏差値を0.50と仮定）
[
MR_A =
0.32 + 0.075 + 0.20 + 0.123 + 0.07 = 0.788
]
最終MRランキング（例）
| 順位 | 選手 | MR |
|---|---|---|
| 1 | A | 0.788 |
| 2 | C | 0.742 |
| 3 | B | 0.655 |
| 4 | E | 0.610 |
| 5 | D | 0.598 |
| 6 | F | 0.520 |
精度向上戦略：EWMA・天候調整・バックテスト
EWMA（指数加重移動平均）
[
EWMA_t = \alpha X_t + (1 – \alpha) EWMA_{t-1}
]
推奨：( \alpha = 0.3 )
天候・水面の動的調整
例：向かい風5m
- 伸び型：+0.05
- 出足型：-0.03
例：波高3cm以上
- 外枠：+0.04
- 内枠：-0.02
バックテスト
- 的中率
- 回収率
- 平均オッズ
- MR上位2名の連対率
- MR1位の1着率
まとめ
混合レーティングは、
ボートレースの複雑な構造を「数値化」し、
勝率と回収率を最大化するための強力な分析手法である。
本記事で紹介した内容は以下の通り。
- Elo式を基礎にしたレーティングモデル
- ST・展示・モーター・コース適性の正規化
- 重み付けによる統合モデル
- 実際のレースを使った計算デモ
- EWMAや天候補正による精度向上
- バックテストによる最適化
これらをスプレッドシートやPythonで実装すれば、
誰でも再現性のある予想モデルを構築できる。
免責事項
本記事はデータ分析に基づく予想手法を解説したものであり、
舟券購入を推奨するものではありません。
最終的な判断と責任は読者ご自身にてお願いいたします。
コメント