9 Engines Architecture
GOエンジン 全9基の詳細
GOエンジンは9つの専門エンジンが異なる角度から馬を評価し、
重み付き統合スコア「GO Score」を算出します。
SI エンジン
特秘 — 最重要
Speed Index（スピード指数）は、過去の走破タイムを距離・馬場状態で補正した基礎能力値。GOエンジンの土台であり、最も大きなウェイトを占めます。
- 過去5走の走破タイムから算出
- 距離・馬場・コース形態を補正
- クラス昇降を反映
馬場エンジン
特秘
馬場状態（良・稍重・重・不良）と枠順バイアスをリアルタイムで補正。内外の有利不利を数値化します。
- 良/稍重/重/不良の4段階補正
- 競馬場×距離別の枠順バイアスDB
- 内外差トラックバイアスを反映
騎手エンジン
特秘
騎手の勝率・複勝率から実力を数値化。南関東、兵庫、高知、名古屋、佐賀、門別など主要リーディング騎手をカバーします。
- 騎手勝率・複勝率データベース
- S〜Dの5段階ランク評価
- リーディングジョッキー重点補正
ペースエンジン
特秘
逃げ馬の数からレースのペース（ハイ/スロー）を予測。脚質との相性を分析して有利不利を算出します。
- 逃げ・先行・差し・追込の脚質判定
- ハイペース時は差し馬に加点
- コース別の前有利/後有利バイアス
距離エンジン
特秘
馬の過去成績から最適距離を推定。今回の距離との適性度を評価します。
- 過去の距離別成績を分析
- 短距離/中距離/長距離の適性判定
- 距離延長・短縮の影響を補正
斤量エンジン
特秘
斤量（騎手の体重含む負担重量）が馬のパフォーマンスに与える影響を距離別に補正します。
- 距離別の基準斤量との差分を計算
- 斤量増減による走破タイム変動を推定
- 馬体重変動も考慮
RECO3
特秘 — 特許出願中
バックテスト結果からAIが自動で「的中/不的中」を診断し、予測係数を自律的に進化させる自律型AI制御システムです。
- 的中レースを「的中」、不的中を「不的中」と自動判定
- 解離度Dから係数を微調整（学習率: 0.0001〜0.01）
- 自己修正ループにより常に最適化
Go ブースト
特秘 — 機械学習エンジン
Go ブーストは、LightGBMとXGBoostの2つの勾配ブースティングモデルをアンサンブルした独自の機械学習エンジンです。
15個の特徴量から「この馬がどの着順に来るか」を確率的に予測し、他のエンジンでは捉えきれない複合的なパターンを学習します。
15個の特徴量から「この馬がどの着順に来るか」を確率的に予測し、他のエンジンでは捉えきれない複合的なパターンを学習します。
LightGBM
配合 60%
+
XGBoost
配合 40%
➔
Go ブースト
アンサンブル予測
学習する15の特徴量
- 500本の決定木が多数決で予測 — 1人の評論家より500人の多数決のほうが精度が高い原理
- 過去データの80%で学習、残り20%でバックテスト検証
- 2つのモデルを正規化してブレンド — 片方が外してももう片方がカバー
- NDCG（順位精度）を最適化指標に採用
頑張るエンジン
自動巡回 — データ収集×学習エンジン
頑張るエンジンは、NAR全16場を自動巡回し、過去のレースデータを一生懸命集め続ける収集エンジンです。
集めたデータでバックテストを自動実行し、学習係数をアルゴリズムに反映。データが増えるほど予測精度が向上する循環学習を実現します。
集めたデータでバックテストを自動実行し、学習係数をアルゴリズムに反映。データが増えるほど予測精度が向上する循環学習を実現します。
- NAR全16場（南関東・兵庫・東海・北陸・四国・九州・北海道・東北）を自動巡回
- 過去1年分まで遡り、遡れるだけ全てのレースデータを収集
- 弱点場（データ不足 or 精度低）を自動検出し、優先的に収集
- 収集 → バックテスト → 係数学習の3ステップを1サイクルで自動実行
- 距離帯別・競馬場別に最適な係数を自動で発見・適用