Midas Touch: How 43 Years of Tennis Data Became a Prediction Market Money Printing Machine?

作者：Phosphen

翻訳：Gans 甘斯、Bagel予測市場観察

この男は過去43年間のすべてのプロテニス試合のデータを収集し、それをすべて機械学習モデルに入力し、ただ一つの質問をした：「勝者を予測できるか？」

モデルは一言だけ答えた：「できる。」

そして今年のオーストラリア・オープンで、116試合中99試合を正確に予測し、正確率はなんと85%！

これはモデルの訓練中に一度も見たことのない試合だったが、最終的な優勝者が勝つすべての試合さえも予測しきった。

これらすべては、@theGreenCodingによる、ノートパソコン一台、無料のデータ、オープンソースのコードだけで実現された。

次に、この金鉱のようなプロジェクトを完全に解説し、原始データから最終的な予測成功までを詳述する。これはあなたが見た中で最も印象的なAIと予測成功の例となるだろう。

出発点：一つのフォルダに保存された43年分のテニスデータ

物語は、「スポーツデータの聖杯」と称される資料集から始まる。

この資料集は、1985年から2024年までのATP（男子プロテニス協会）のすべてのプロ試合記録を網羅している。

ブレークポイント、ダブルフォルト、フォアハンド、バックハンド、選手の身長、年齢、ランキング、過去の対戦記録、試合会場……ATPが追跡してきたすべての逐点統計データが揃っている。

40年分のCSVファイルが一つのフォルダに詰まっている。

彼がこの完全なデータセットを開いたとき、コンピュータは即座にクラッシュした。

しかし彼は諦めなかった。データセット内の95,491試合について、多くの派生特徴量を追加で計算した。

• 二選手の過去の対戦記録
• 年齢差、身長差
• 最近10、25、50、100試合の勝率
• サーブポイント獲得率の差
• ブレークポイントセーブ率の差
• 国際象棋から借用したカスタムELO評価システム（重要ポイント）

最終的なデータセットは：95,491行 × 81列。

過去40年のすべてのプロテニス試合に、数十の手作業で計算された特徴量を付加したものだ。

第二段階：タイタニック号から学んだアルゴリズム

データを分類器に入力する前に、彼はまずアルゴリズムの動作原理を徹底的に理解しようと決めた。そのために、numpyだけを使ってゼロから決定木を自作した。

決定木の仕組みは推理ゲームに似ている——一連の質問を通じて答えに近づいていく。

この概念を説明するために、彼は全く異なるデータセットを選んだ：タイタニック号。

例：乗客11号は生存したか？

• 質問1：ファーストクラスに乗っているか？→はい。
• 質問2：女性か？→はい。
• 予測結果：生存。

アルゴリズムはどうやって質問すべきかを決めるのか？

すべてのデータから出発し、「生存」か「非生存」を最もよく区別できる単一の変数を見つける。タイタニックのデータでは、その答えは「客室クラス」だった。ファーストクラスの乗客は一方に、その他はもう一方に分かれる。

しかし、ファーストクラスの中にも遭難した人がいるため、「不純度」が残る。アルゴリズムは次の最良の分割点を探し続ける——それは性別だ。ファーストクラスの女性はすべて生存し、「純粋なノード」となり、これ以上分岐を止める。

この過程を繰り返し、すべてのケースをカバーする完全な決定木を構築していく。

彼の手作りnumpy版は小さなデータセットでは良好に動作したが、95,000試合のデータに適用すると速度が遅すぎて崩壊寸前だった。そこで、正式な訓練段階ではscikit-learnの最適化版に切り替えた。同じロジックだが、はるかに高速だ。

第三段階：勝敗を決める重要変数を見つける

モデル訓練の前に、彼はすべての変数をペアごとに散布図に描き、大きな散布図行列（SNSのpairplot）を作成し、勝者と敗者を区別できる規則性を探した。

ほとんどの特徴はノイズだった。選手IDは明らかに役に立たない。勝率差は一定の規則性を示すものの、明確ではなく、信頼できる分類器には不十分。

唯一、他の変数を凌駕するのは「ELO差」(ELO_DIFF)だけだった。

ELO_DIFFとELO_SURFACE_DIFFの散布図は、二つのカテゴリーの分離度を明確に示しており、他の特徴は比較にならない。

この発見により、彼はこのプロジェクトの最も核心部分を構築した。

第四段階：チェスの評価システムをテニスに導入

ELOは選手の技術レベルを評価する方法で、もともとチェスに最初に適用された。

現在、チェス世界一のマグナス・カールセンの評価は2833点。

彼はこのシステムをテニスに応用することにした。

• 各選手の初期評価：1500点
• 勝利：評価上昇、敗北：評価下降

基本メカニズムは、勝ち負けの得点は対戦相手の評価差に依存し、評価の高い相手に勝てば得点が多く、低評価の相手に負ければ大きく減点される。

2023年ウィンブルドン決勝の例でこの公式を示す：カルロス・アルカラス(評価2063)対ノバク・ジョコビッチ(評価2120)。アルカラスが逆転勝利。

公式に代入すると、アルカラス +14点、ジョコビッチ -14点。

計算は簡単だが、43年の歴史データに適用すると、その威力は驚異的だ。

第五段階：ビッグ3の支配力を可視化

彼はフェデラーのキャリア全体のELO評価を曲線に描いた。デビューから引退まで、すべての試合を記録。

この曲線は伝説の一部を完全に表している：初期の急上昇、ピーク（約400試合目付近）の絶対的支配、そして後期の変動。

しかし、最も衝撃的なのは、フェデラーと1985年以来のすべてのATP選手を同じグラフに重ねたときだ。

三つの曲線は高くそびえ、他の選手を圧倒している——フェデラー（緑）、ナダル（青）、ジョコビッチ（赤）。

「グランドスラムのビッグ3」という称号は単なる呼称ではない。40年の試合データを可視化すると、この支配力が数学的に明確に見て取れる。

彼のカスタムELOシステムによると、現在の世界一はヤニック・シナー（2176点）、次いでジョコビッチ（2096点）、アルカラス（2003点）だ。

シナーがトップにいることを覚えておいてほしい。これが後の重要なポイントとなる。

第六段階：コートの種類がすべてを変える変数

テニスの試合会場の種類は、その運動の様相を根本から変える。

• クレーコート：遅く、跳ね高い
• 芝コート：速く、跳ね低い
• ハードコート：中間

あるコートで絶対的な支配者だった選手も、別のコートでは全く通用しなくなる。

そこで彼は、3種類のコートごとにELO評価を作った：クレー、芝、ハード。

結果は、多くのテニスファンが知っている事実を証明し、40年分のデータで裏付けた。

ナダルのクレーでの最高評価は、フェデラーの芝での最高評価を超え、ジョコビッチのハードコート最高評価をも凌駕し、どの選手も歴史上の最高峰に達している。

112勝4敗のロラン・ギャロス14勝の記録。

ELO公式は、物語や名声を気にしない。勝敗記録だけを扱い、その結論は40年のスポーツ報道と完全に一致している。

第七段階：天井にぶつかる

データ準備とELOシステムの構築が完了し、彼は分類器の訓練を開始した。この過程は、アルゴリズム選択の重要性を完璧に示している。

決定木：正確率74%

単一の決定木は、完全なデータセットで74%の正確率を達成した。良さそうに思える——しかし、ELO差だけで勝者を予測すれば72%に達する。

この時点で、彼の手作りELOシステムに基づく予測はほとんど変わらなかった。

ランダムフォレスト：正確率76%

決定木の問題は「高分散」にある——訓練時に選ばれたデータサブセットに過敏すぎることだ。標準的な解決策はランダムフォレスト：何十本、何百本もの決定木を作り、それぞれ異なるランダムなデータと特徴のサブセットで訓練し、多数決で予測を決める。

94本の異なる決定木が、それぞれの試合に投票。

結果は76%。少し向上したが、天井にぶつかった。ハイパーパラメータをいくら調整しても、特徴を再設計しても、データをいじっても、正確率は77%を超えられなかった。

第八段階：天井を突破する

次に彼はXGBoostを試した——彼はこれを「ランダムフォレストのステロイド版」と呼んだ。

主な違いは、ランダムフォレストは並列で木を作り平均を取るのに対し、XGBoostは逐次的に木を構築し、各新しい木が前のすべての木の誤りを修正する点だ。正則化を導入して過学習を防ぎ、各木を小規模に保つことで、訓練データの丸暗記を避けている。

結果：正確率85%。

これは、ランダムフォレストの76%の壁を大きく突破した。同じデータ、同じ特徴を使いながら、唯一の違いはアルゴリズムだ。

XGBoostも最も重要な3つの特徴量は、ELO差、コート別ELO差、総合ELOだった。このチェスから借用した評価システムは、81列の特徴の中で最も強力な予測因子と証明された。

比較のために、同じデータでニューラルネットワークも訓練したが、正確率83%。悪くはないが、XGBoostに負けている。このデータセットでは、木構造に基づく方法が勝利した。

第九段階：決戦の時——2025年オーストラリア・オープン

これまでのすべては、2024年12月までのデータで訓練された。

2025年1月のオーストラリア・オープンは訓練データに含まれていないため、完璧なテスト場となった。モデルは本当にテニスのルールを理解しているのか、それともただ過去のパターンを記憶しているだけなのか？

彼は試合の全スケジュールを入力し、各試合を予測させた。

結果：116試合中99試合を正確に予測し、誤りはわずか17試合、正確率は85.3%。

最も重要な予測は、シナー（ELOシステムで世界一の選手）が大会中のすべての勝利を正確に予測したことだ。

試合開始前に、AIはすでにグランドスラムの優勝者を予測していた。

結び

一人の人間、一台のノートパソコン、専用データも高価なインフラも研究チームもなしに、プロテニスの予測モデルを構築し、正確率85%を達成し、大会前にグランドスラムの優勝者を予測した。

テニスのデータはGitHubにあり、完全に再現可能だ。

奇跡を起こすことは、今日ほど身近になったことはない。

本当の差は資源ではなく、あなたがそれをやる意志があるかどうかだ。