PyCaLiAI
SPEED INDEX GUIDE

スピード指数(100 基準)

走破タイムを、コースごとの「物差し」と比べて、斤量・その日の馬場・ペース・競馬場の癖を差し引いた能力指数です。100 が古馬 1〜2 勝クラスの標準。出走表の「速度」列と、馬の詳細の「近走のスピード指数」に出しています。AI の印とは別に作った、もう 1 本の物差しです。

目次

  1. なぜタイムを補正するのか
  2. 2 つの指数
  3. 数字の目安
  4. 作り方
  5. 補正の中身
  6. 成績
  7. 使い方
  8. やっていないこと・限界
  9. 推定人気と推妙

01なぜタイムを補正するのか

同じ「1 分 34 秒 0」でも、東京の芝 1600m と中山の芝 1600m では価値が違います。雨で時計のかかる日もあれば、高速馬場の日もあります。重い斤量を背負った馬と軽い馬、前半がゆっくり流れたレースと速く流れたレースでも、同じタイムの意味は変わります。

そこで、コースごとに「この条件なら標準でこのくらい」という基準タイムを作り、そこからの速さ・遅さを、条件の違いを差し引いたうえで点数にします。違うコース・違う日のレースを同じ物差しで比べられるようにするのが目的です。

022 つの指数

AFTER THE RACE
実走指数

実際に走ったタイムから出す、そのレースの成績表。馬の詳細の「近走のスピード指数」がこれです。レースが終わってから決まります。

BEFORE THE RACE
予測指数

過去の実走指数から「今回このくらい走りそう」を予測した値。出走表の「速度」列がこれで、今回の斤量も込みです。レース内の順位(#1 など)を一緒に出します。

03数字の目安

良馬場で勝った馬の実走指数の中央値を、クラスごとに並べました(2016〜2025 年)。芝とダートでは上のクラスほど差の開き方が違うので、別々に見てください。芝は上のクラスでもペースが落ち着きやすく、タイムの差が小さく出ます。

クラス勝ち馬の中央値上位 25%
読み込み中…

バーは 75〜135 の範囲で、縦線が 100(古馬 1〜2 勝クラスの基準)。予測指数もこの物差しの上の値です。

04作り方

1
斤量をそろえる
走破タイムを 57kg を背負った場合に換算します。重い斤量で走った馬ほどタイムを速めに直します。
2
基準タイム(物差し)を作る
競馬場 × 芝ダート × 距離 × 内回り・外回りごとに、直前 5 年の良馬場・古馬 1〜2 勝クラスで「2 着から上位 3 分の 1 まで」に入った馬のタイムの中央値を取ります。勝ち馬は展開に恵まれた例が混ざるので外します。小倉と中京の芝は、夏と冬で馬場が違うので別々に作ります。この条件のレースが少ないコースは、ほかのクラスのタイムをクラス差で換算して補います。
3
点数にする
基準より速かった分を点数に直します。1600m で 0.1 秒 = 1 点(距離に比例。2400m なら 0.15 秒で 1 点)。同じ能力差なら距離に関係なく同じ点差になるようにしています。
4
その日の馬場の速さを差し引く
同じ日・同じ競馬場・同じ馬場状態のレースで、上位 3 頭の点数がそのクラスの標準からどれだけずれたかを平均し、その日の「馬場差」とします。レース数が少ない日は、同じ馬場状態の平均に寄せて推定します。
5
ペースを補正する
前半がゆっくり流れたレースは全体のタイムが遅くなるので水準を引き上げ、同じレースの中で上がりや前半が速かった馬には少し上乗せします。
6
競馬場と馬場状態の癖を差し引く
同じ馬(4 歳以上)が間隔をあけて違う競馬場・違う馬場状態で走ったときの指数の差から、競馬場ごと・馬場状態ごとの出やすさ・出にくさを推定して差し引きます。最後に、古馬 1〜2 勝の基準が芝・ダートとも 100 になるよう中心を合わせます。

05補正の中身

補正の強さは勘で決めていません。2016〜2021 年のレースで、「前走の指数で今回のレース内の着順をどれだけ正しく並べられるか」が最も高くなる値を探し、2022 年以降は答え合わせだけに使いました。

補正やり方決まった値
斤量57kg 換算。前半 7 割・上がり 3 割に配分1kg あたり 1000m で 0.04 秒
距離による換算点数の大きさを距離に比例させる1600m で 0.1 秒 = 1 点(短距離も同じ比例)
馬場差日・場・芝ダ・馬場状態ごと。クラスの標準とのずれから縮小推定レースが 1 つでもあればその日の値を強めに採用
ペーススローは水準を引き上げ、同じレースの中での上がり・前半の速さを上乗せ上がり 0.45・前半 0.15・スロー引き上げ 0.35
競馬場・馬場状態同じ馬の連続出走の差から推定中央 4 場・良馬場の平均を 0 として各場・各状態のずれ

参考にした BT 値との違い

考え方は stride の BT 値の解説 を参考にしました。ペース補正は、BT 値のように「スローなら上がりの点数、ハイなら前半の点数を混ぜる」形も試しましたが、このデータでは着順の当たり方がかえって悪くなったため、上の形に変えています。中心は BT 値の 55 ではなく 100 にしました。

06成績

予測指数のレース内の順位ごとの成績です(新馬戦を除く)。オッズや人気は一切使っていません。

順位別

順位頭数勝率連対率3着内率

1 位と 2 位の差ごとの 1 位馬の成績

差レース数勝率連対率3着内率

「2026 年(前向き)」は、各開催日についてその日より前の情報だけで出した予測指数を、実際の着順で採点したもの。「過去検証」は学習に使っていない 2024〜25 年での成績です。予測のモデルは 2022 年までで学習しています。

07使い方

08やっていないこと・限界

09推定人気と推妙

出走表の「推妙」と全頭分析の「推定人気」は、このスピード指数の仕組みを使って作った別の数字です。

推定人気・推定オッズ

当日のオッズを一切使わずに、「この馬は何番人気になりそうか」を予測しています。使うのは、過去の実走指数、過去走の着順と人気、騎手の前年の成績、枠、斤量などです。正解には確定単勝オッズを使い、学習は 2022 年まで、確認は 2024〜25 年で行いました。

2024〜25 年(6,662 レース)推定前走の人気だけで並べた場合
人気順の一致(レース内の順位相関)0.860.71
1 番人気を当てた率66%30%
推定 1 番人気が実際に 3 番人気以内93%—
推定と確定のオッズのずれ(中央値)1.47 倍—

推妙(推定妙味)

AI の勝率 × 推定オッズ ÷ 0.8 × 100 です。100 なら AI と推定の市場が同じ見立てで、大きいほど AI の方がその馬を高く見ています。考え方は stride の SAV-R(勝つ確率 × 前日の推定オッズ)を参考にしました。

2026 年 4〜11 月の 1,685 レースで、推妙の帯ごとに単勝を全部買った場合の回収率は 64〜93% でした。帯が高いほど良いわけでも、特定の帯が 100% を超えるわけでもありません(95% 区間がはっきり 100% を超える帯はなし)。そのため「この帯なら買い」という色分けはしていません。AI と世間の見立てがどれだけずれているかを見るための数字として使ってください。

指数は JRA が公表したレース結果(走破タイム・上がり 3F・着順・斤量・馬場状態)から PyCaLiAI が独自に計算したものです。データの出典: TARGET frontier JV。的中や利益を保証するものではありません。免責事項