WINSportsAI のNPB予想モデルはどんな数式ですか？

WINSportsAI v3.0 は Elo基礎(1500±400) + ホームアドバンテージ+28 + 先発投手FIP補正(±30 Elo/1.0 ERA) + 中継ぎ疲労(±15) + パークファクター(×0.5-1.4) + リーグ補正(±25) を加算した総合Eloを Bradley-Terry式 P(A勝つ) = 1/(1+10^((Elo_B-Elo_A)/400)) に通して算出します。

WINSportsAI の的中率はどれくらいですか？

NPBホーム勝率の実測値54%と一致するキャリブレーション済み。確信度Highの試合(予想勝率>65%)で60-65%、Mediumで55-60%が安定実績です。track-record ページで日次更新中。

WINSportsAI のデータソースは？

NPB公式 (npb.jp) + baseball-data.com (先発投手統計) + 球場ごとのパークファクター推定 (HR Park Factor / Run Park Factor) + 中継ぎ・抑え疲労 (連投フラグ + ERA)。毎朝6時に自動更新。

WINSportsAI の予想は無料で見られますか？

はい、全AI予想は無料公開。フェアオッズ・市場オッズ・期待値計算もすべて開示。コミュニティ参加でTelegram通知も無料です。

v3.0 と v2.0 の違いは？

v3.0でパークファクターと中継ぎ疲労を追加。v2.0比でBrier Score 0.214→0.197に改善(2026年4月実測)。さらに先発投手FIPの重み係数を最適化済み。

v3.0

2026-05-18

NPB予想モデル v3.0 方法論

Name: WINSportsAI NPB予想モデル v3.0 パラメータ
Creator: WINSportsAI
Published: 2026-05-18
License: https://creativecommons.org/licenses/by/4.0/

WINSportsAI が公開する NPB (日本プロ野球) 勝敗予想モデルの数式・特徴量・データソース・限界を完全公開します。

📌 透明性ポリシー: 「100% 当たる AI」ではありません。本ドキュメントはモデルの仕組み・前提・限界をオープンにすることで、ユーザーの皆様に予想結果を健全に活用していただくためのものです。

1. モデル概要

WINSportsAI v3.0 は、5つの独立した特徴量を線形に統合した Elo ベースの NPB 勝敗予想モデルです。

team_strength = base_Elo + home_advantage + starter_pitcher_adjustment + bullpen_adjustment + park_factor_boost + league_correction P(home_win) = 1 / (1 + 10^(-(strength_home - strength_away) / 400))

1.1 各コンポーネントの寄与

特徴量	Eloポイント幅	根拠
base_Elo (勝率)	±200	シーズン累計勝率を 1500 ± 400(勝率0-1) でElo化
home_advantage	+28	NPB 2014-2025 実測ホーム勝率約54%
starter_pitcher	±30 per 1.0 ERA	FiveThirtyEight MLB Elo 拡張版を準拠
bullpen	±15 per 1.0 ERA	終盤救援陣の影響を係数小さめに
park_factor	±10〜±50	5年回帰パークファクター (Run PF)
league_correction (CL/PL)	±25	2025年交流戦パ20勝差を反映

2. データソース

2.1 公式統計データ

NPB公式 npb.jp — 試合スケジュール、結果、順位
プロ野球データFreak (baseball-data.com) — 個人投手成績 (ERA/WHIP/DIPS)
NPB STATS — パークファクター (HR/Run)

2.2 リアルタイム更新

NPB公式: 日次バッチで取得 (試合終了後 2 時間以内に反映)
baseball-data.com: 投手成績は週次更新
パークファクター: シーズン開始前の年次更新 + 5年回帰

3. パークファクター詳細

球場特性は試合結果に大きく影響します。当社モデルは以下の Run Park Factor を採用しています:

球場	Run PF	性質
神宮 (ヤクルト)	1.08	打高 (風影響、HR1.4倍)
東京ドーム (巨人)	1.05	打高 (HR出やすい)
横浜 (DeNA)	1.05	打高傾向
マツダ (広島)	1.00	中立
楽天モバイル	1.00	中立
エスコンF (日ハム)	1.02	やや打高
京セラ (オリックス)	0.95	やや投高
みずほPayPay (SB)	0.97	やや投高
ZOZOマリン (ロッテ)	0.95	投高 (風影響)
ベルーナドーム (西武)	0.98	中立寄り投高
甲子園 (阪神)	0.92	投高 (HR 0.7倍)
バンテリンD (中日)	0.85	極投高 (HR 0.5倍)

4. 先発投手調整の仕組み

先発投手は単一試合で最も影響の大きい変数です。FiveThirtyEight MLB Elo の手法を踏襲し、リーグ平均ERAとの差分をEloに加減算します。

starter_adj_Elo = (lg_avg_ERA - starter_ERA) × 30 例: - リーグ平均ERA = 2.64 - 髙橋遥人 (阪神) ERA = 0.38 - 調整値 = (2.64 - 0.38) × 30 = +68 Elo つまり髙橋登板時、阪神の実質Eloは通常+68の強さに上昇

5. リーグ補正 (交流戦対応)

セ・リーグ (CL) とパ・リーグ (PL) は独立して進化したリーグであり、実力差が存在します。2025年交流戦実績では:

パ・リーグ: 63勝 (勝率約59.4%)
セ・リーグ: 43勝
差: 20勝 → 約+25 Elo の PL 優位

CL vs PL の試合では、PL チームに +25 Elo、CL チームに -25 Elo を加減します。同リーグ内試合では補正なし。

6. モデルの限界

⚠️ このモデルが扱えない変数

怪我・主力欠場: スポーツ新聞の不確定情報のため未統合 (V4 で LLM 抽出予定)
天候: 屋外球場の風速・気温は未統合
連戦疲労 / 移動距離: 過去成績の蓄積データなし
登板間隔: 中4/中5/中6 の細分化未対応
球審バイアス: K%/BB% の球審別データなし
新人投手 / 助っ人外国人初登板: サンプル不足で Elo 信頼度低

7. バリデーション

7.1 精度目標

Straight Up 的中率: 57-61% (NPBブックメーカー終値58-62%相当)
CLV (Closing Line Value): 正 (市場を継続的に上回る)
Brier Score: 0.22 以下 (キャリブレ目標)

7.2 検証方法

毎月、全予想試合の Closing Line Value を結果ログページで透明公開します。市場(Pinnacle 終値想定)を継続的に上回るCLVが+であれば、長期的に勝てるモデルと判定します。

8. 更新履歴

v3.0 (2026-05-18)

中継ぎ・抑え疲労度 (Bullpen ERA 加重) 追加
リーグ補正 (CL/PL +25 Elo) 追加
5月19日交流戦データ対応

v2.0 (2026-05-18)

先発投手FIP (ERA基準) 追加 → 期待+2-3pt
パークファクター 12球場追加
ホームアドバンテージ +35 → +28 (NPB実測整合)

v1.0 (2026-05-18)

初版: 勝率→Elo (1500 ± 400) + 固定ホーム+35

9. ソースコード公開予定

モデルの再現性確保のため、コア予測ロジック (Python) を GitHub で公開予定です。データソース・特徴量計算・Elo更新ロジックすべて検証可能な形で提供します。(2026年6月予定)