【要約】競馬AI開発記録 #19 期待値運用の数学的敗北：なぜ「ケリー基準」で資産が溶けたのか [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者が競馬予測モデルの運用において、期待値に基づいた効率的な投資を実現しようとした際、資産が数千円まで激減する問題に直面した。予測モデルの性能向上に注力していたが、資金管理ロジックとの整合性が取れていなかったことが背景にある。
- ・ケリー基準の導入により、理論上は資産成長が最大化されるはずであった。
- ・しかし、バックテストにおいて資産曲線が垂直落下する事態が発生した。
- ・原因は、モデルの出力する的中確率が実際の結果よりも4〜5倍も高い「過信」状態にあったことである。
- ・不正確な確率に基づく期待値計算が、過剰な投資（オーバーベット）を誘発した。
// Approach
開発者は、資産崩壊の原因を特定するために信頼性曲線（Reliability Curve）を用いた診断を行い、モデルの確率の歪みを可視化した。その上で、モデルの出力を直接信じないための防御策を講じた。
- ・信頼性曲線を用いて、予測確率と実際の的中率の乖離を分析した。
- ・モデルの過信を補正するため、予測確率に「確率安全係数（prob_safety_factor）」を乗じる処理を実装した。
- ・Optunaを用い、安全係数やケリー係数（multiplier）を最適化する仕組みを構築した。
- ・投資比率を極端に抑える「超クォーターケリー」などの制約を設けた。
// Result
確率の補正とパラメータの厳格な制約を導入した結果、資産の急激な崩壊を回避することに成功した。モデルの予測能力を活かしつつ、破産リスクを抑えた運用が可能となった。
- ・2025年のシミュレーションにおいて、ROIは97.7%まで回復した。
- ・JRAの払戻率（約75〜80%）を上回るエッジを維持した。
- ・モデルの「相関」と「校正」を分けて管理する、より堅牢な運用体制へと進化した。
Senior Engineer Insight
> 本件は、機械学習モデルを実運用に投入する際の典型的な落とし穴を示している。多くの開発者は「精度」の向上に注力するが、意思決定エンジンに組み込む際は「確率の正確性」が生命線となる。モデルが「自信満々に間違える」状態は、複利運用において破滅を意味する。実戦投入前には、必ず信頼性曲線による校正確認を行うべきである。