競馬をやっている人なら誰しも「競馬で儲けたい！！」と考えますよね。
そこで今回はギャンブルの必勝法と言われている「マーチンゲール法」を競馬に使えないかを検討してみました。
筆者はマーチンゲール法はそんなにいい方法ではないと思っていたのですが、結論を言ってしまうと、過去データにおいては予想外にも良い結果が得られました。
マーチンゲール法とは、負けた分を取り返すように賭け金を設定していく方法です。
例えば、+1000円を狙うマーチンゲール法について説明します。
あるレースで単勝オッズが2倍の馬がいた時、+1000円を狙って500円を賭けます。
これが当たれば、次のレースも同様に+1000円を狙って賭け金を設定します。
仮に負けてしまった場合、次のレースで今の負け分の500円と狙いの+1000円を足して+1500円になるように賭け金を設定します。
これを繰り返すと、一回当たれば今までの負け分を全て返してなおかつ+1000円の利益が出るという仕組みです。
一見最強ですよね笑。
このマーチンゲール法はギャンブルで必ず勝てる方法として有名ですが、弱点として不運にも負け続けた時に莫大な賭け金が必要になるというリスクが挙げられます。
そこで今回の記事では、2005年から2021年の過去17年分の競馬データに対してマーチンゲール法を使った時の収支とリスクについて検証してみました。
結論を先に書いておくと、
・＋1000円が達成されるまでマーチンゲール法で１番人気の単勝を17年間買い続けたとき、+2000万円の利益が出る。
・上記の17年の単勝購入の賭け金のうち、最大の賭け金（リスク）は140万円である。
・一度も収支がマイナスになることはなかった。
・ただし将来的にも同じ結果が得られるわけではなく、実は超ハイリスクな方法である。
なお本方法を使用しても、将来的に同じ結果が得られるわけではありません。つまり、本方法を真似して損害が出ても本サイトは一切の責任を負いません。あくまで参考程度にお願いします。
また、解析には万全を期していますが、解析のミスもあるかもしれません。ですので、本記事の最後に実際に解析に使用したコードを載せておきます。ご確認ください。
では具体的な話に移ります。
まず今回のマーチンゲール法の仮定は以下の通りです。
・2005 〜 2021年の17年間の中央競馬のレースを全て購入する。
・購入する馬券は1番人気の単勝のみである。
・自分の馬券購入によるオッズの変動はないものとする。
・損切りラインを設定しない（現実では超危険）
そして具体的な手順は以下の通りです。
①１番人気の単勝を見て、的中時に+1000円になるように賭け金を設定する。
②的中した場合は次のレースも①と同様の方法で賭け金を設定する。外れた場合は、前回的中したレース以降の全レースの負け分＋1000円になるように賭け金を設定する。
③上記①と②を17年間全レースで繰り返す。
これだけです。簡単ですね。
これぐらい簡単なアルゴリズムですと、以前の記事で紹介した馬券の自動購入プログラムにも簡単に実装できそうです。
結果は以下のようになりました。
左図がレース毎の賭け金のグラフです。
マーチンゲール法の弱点は、負け続けた時に賭け金が増えてしまうことでした。
今回の+1000円を狙うマーチンゲール法では、17年間で最大140万円の賭け金になることがわかりました。
おそらく単勝に140万円もぶちこむとオッズが変わってしまいますが、今回それは考慮に入れていません。
140万円って大金に見えますが、右のグラフを見てみると、140万円の賭け金が発生している15000レース目位には、マーチンゲール法による収益が+500万円ほど出ているので、そこまで問題ないかと思います。
そして17年間で+2000万円の収益が出ました。一年あたり+120万円の収益です。
一番人気の単勝が3割くらいの確率で当たるので、(60000レース) x (+1000円) x (3割) = (+2000万円)となり妥当な結果です。
過去データを見る限り、マーチンゲール法は意外と良い方法なのではないかという結論になりました。
ですが実際に使用する際は損切りのラインを設定しておかないと大赤字になる可能性もあるということをお忘れなく、、、
使用したコードは下記の通りです。
コード中の「data」はこのサイトやこのサイトで定義しています。
以上で競馬におけるマーチンゲール法についての考察記事を終了します。
他の記事では、競馬で何番人気を買うべきかなども考察しています。
また競馬データの解析ではPythonのプログラミングスキルが必須になります。
Pythonの基本が完全には身についていない方は、以下の本で勉強するのがおすすめです。
特に、Pythonを使って機械学習の理論について学びたい方はこちらの本がおすすめです。
