NBA AI予想モデル｜
特徴量と特殊要因で導く勝敗ロジック

NBA AI予想モデルの性能

過去3シーズン（2023-24～2025-26）の試合を対象としたバックテストでは、「モデル厳選試合」の平均的中率は約 79% です（モデルは信頼度の高い試合のみを選択しており、シーズン全試合を予想するものではありません）。最新バージョン（v16）では約 81% です。過去3シーズンの平均投資収益率（ROI）は約 16%、最新バージョン（v16）では約 18% です。

予想モデルのバージョン

モデルは検証結果に基づいて更新され、各バージョンの的中率、投資収益率（Return on Investment, ROI）、調整内容を公開しています。モデルの変遷と成績の差を確認いただけます。ここでのバージョンは、NBA単体の予想モデルの学習バージョンです。各リーグのモデルは学習完了後に統合され、サブスクリプションプランの演算モデル（プロプランはv4.8）になります。

モデルの基礎要因

質の高い特徴量は、モデルの的中率を維持する基盤です。得点、リバウンド、アシスト、ターンオーバーなどの基本指標に加え、モデルはMysports.AI全体の1,500以上の特徴量からバスケットボールに関連するものを取り出し、試合結果への影響が大きい中核データを選別したうえで、関連性の低いノイズを除外しています。

無効な特徴量は過学習（Overfitting）やバイアスのリスクを高め、未知の試合に対するモデルの汎化性能を損ないます。特徴量選択（Feature Selection）は、モデルの的中率と安定性を保つための重要な工程です。

下の図はモデルの特徴量重要度の上位を示しており、数値は各特徴量が予想結果に与える相対的な寄与度を表します。バスケットボールの中核となる特徴量には、4ファクターと100ポゼッションあたり（per 100 possessions）の効率が含まれます。NBAモデルは多数の特徴量を使用しますが、重要度は少数の主要指標に集中しています：上位の特徴量はおおむね 2~10%、残りのロングテールの特徴量はそれぞれ小さな値です。

モデル構造：データから予想までの4層パイプライン

モデルは毎日稼働する4層のデータパイプラインで予想を行います。手法の詳細はスポーツベッティングAIアルゴリズム解説をご覧ください：

• ① データ層：NBA公式統計（NBA.com Stats）から各試合のbox scoreとチーム／選手データを取得し、4ファクター、100ポゼッションあたりのデータ、攻守の強さ、日程の状況（ホーム・アウェー、連戦（バック・トゥ・バック）、休養日数）を整理します。さらに複数の有料サードパーティデータソースを統合（Sportradar、Genius Sports、Stats Performなど）し、相互検証と補完を行っています（実際に採用しているソースは商業契約に関わるため、個別の公開は控えています）。
• ② 特徴量エンジニアリング層：生データを予想に役立つ特徴量に変換します。高度な効率指標、直近の調子の加重、疲労指数、ラインナップの連携値などが含まれます。特徴量の質はモデル性能の上限を大きく左右します。
• ③ モデル層：構造化された表形式データの主力は勾配ブースティング決定木（Gradient Boosted Decision Trees, GBDT）系（LightGBM、XGBoost、CatBoost）です。深層学習では TabNet と LSTM／Temporal 系列モデルでチームの直近の調子の傾向を捉え、必要に応じてグラフニューラルネットワーク（Graph Neural Network, GNN）でラインナップの相互作用をモデル化します。最後に確率キャリブレーション（Isotonic／Platt）を実施し、アンサンブル学習（Ensemble Learning）で単一モデルの偏りを抑えます。
• ④ 推論・更新層：毎日試合前に再計算し、最新の負傷者リスト、オッズの変動、ロスター情報を反映します。出力は「ホームチーム勝率 61.3%」のような確率の推定であり、確定的な判断ではありません。

この種の手法はリーグレベルですでに実用化されています。NBA公式も近い手法を採用しています：リーグが AWS と共同開発した Leverage Score システムは、LightGBMモデルで約3,700試合・50万ポゼッションのデータを学習し、各ポゼッションの勝率の変化をリアルタイムで計算します。さらに「反実仮想モデル」で「このシュートが外れていたら勝率はどう変わったか」をシミュレーションし、攻守1回ごとの実際の価値を測定しています（出典：AWS公式技術ブログ）。各リーグ（NBA／MLB／NHL）は同じデータパイプラインとモデル構造を共有していますが、学習とキャリブレーションはリーグごとに個別に行っています。競技ごとに試合の展開、サンプル数、取得可能な特徴量が異なるため、重みを共有すると的中率が下がります。

評価指標：モデルの信頼性の検証

モデルの信頼性は、的中率、ハンデのカバー率、確率キャリブレーション、投資収益率を同時に確認する必要があります。単一の指標だけでは予想の質を判断できません：

バックテストと実運用は分けて評価する必要があります：バックテスト（Backtesting）は過去データを使い、当時の条件下でのモデルの結果をシミュレーションするものです。設計が不適切だと、過学習やデータリーク（Data Leakage）によって成績を過大評価するおそれがあります。より厳密な方法がウォークフォワード検証（Walk-forward Validation）で、その時点までのデータのみで学習し、次の期間を予想したうえで各バージョンの成績を公開します。すべての予想は実績ページに保存されており、実運用の記録として検証の根拠を提供しています。

モデルが読み取る指標：アドバンスド指標ミニ辞典

アドバンスド指標は、試合の結果を比較可能な効率の特徴量に変換します。下の表に各指標の定義と測定のポイントをまとめました。

NBAスポーツベッティング分析におけるAIの4つの実践シーン

• オッズの価格のズレの検出：モデルの勝率とオッズのインプライド確率を比較し、期待値（Expected Value, EV）を算出したうえで、クロージングラインバリュー（Closing Line Value, CLV）を追跡します。AIの主な役割は、市場の価格設定とデータに基づく評価のズレを見つけることです。
• オーバー／アンダーのペースモデル：ペースが上位で守備が下位のチーム同士が対戦すると、合計得点は伸びやすくなります。モデルはPaceと攻守効率の相互作用を定量化し、構造的なオーバー／アンダーの傾向を人の判断より早く捉えます。
• 負傷者の影響モデル：スター選手の欠場は「X点減」と単純に扱えません。AIはボール保持の再配分、控え選手の出場時間、ペースの変化を計算し、各チームが負傷の影響を吸収する力の差を反映します。
• 選手の調子の傾向：選手の直近の成績が市場の基準ラインから継続的に乖離している場合、オッズがその役割の変化を十分に反映していない可能性があります。AIはこうした市場の調整の遅れを定量化できます。

この4つのシーンはいずれも公開データを使った体系的な計算で、分析のスピードと精緻さを高めることに重点を置いています。下記の3つの特殊要因と組み合わせたものが、Mysports.AIモデルの日々の分析フローです。モデルの出力をオッズと照らし合わせ、ハンデとオーバー／アンダーを読み解く方法は、NBA AI予想：ハンデ、オーバー／アンダーと当日の試合の読み方をご覧ください。

モデルの特殊要因①：会場の標高

会場の標高は、アウェーチームの身体的負荷と得点環境を変えます。デンバー・ナゲッツのホームは標高 5,280フィート（約1,609メートル）の高地にあり、リーグの会場平均を大きく上回ります。アウェーチームが高地で試合をすると、総得点は全体的に低くなる傾向があります。

レブロン・ジェームズ（LeBron James） 当時ロサンゼルス・レイカーズ所属｜フォワード

「（デンバーの標高は）本物だ。いつもより早く疲れを感じる。」レブロン・ジェームズ、2023年5月 ウエスタン・カンファレンス決勝 G1 の試合前インタビュー（ESPN）

• 酸素の薄さ：空気中の酸素量は平地より約17%少なく（気圧は海面の約83%）、高地に慣れていないアウェーの選手は疲れやすくなります。
• 呼吸と心拍数：高地では心拍数と呼吸数が上がり、選手の体力消耗が限界に達するのが早まります。
• ペースと得点：疲労によって攻撃効率が下がり、総得点が低くなる確率が高まります。

2023-24 レギュラーシーズン：ナゲッツのホーム41試合における相手チームの平均得点は108.7、リーグ全体1,230試合のアウェーチーム平均得点は113.1です。出典：Basketball-Reference。ナゲッツ自身の守備力も要因の1つであり、標高だけが理由ではありません。

モデルの特殊要因②：選手の連携

選手の連携は、ラインナップが一緒に出場した際の攻守効率で定量化する必要があります。コート上に5人のステフィン・カリー がいても、チーム全体の戦力が必ず上がるわけではありません。バスケットボールの成果は選手同士の協力と戦術の噛み合いで決まります。私たちはNBA公式のラインナップ・アドバンスドスタッツ（Lineup Advanced Stats）で連携を評価しています。

ステフィン・カリー（Stephen Curry） ゴールデンステート・ウォリアーズ｜#30｜ガード

2023-24 レギュラーシーズンの5人組のうち、出場時間上位の3組を掲載しています。オフェンス／ディフェンス効率は100ポゼッションあたりの得点／失点です。出典：PBPStats（play-by-playに基づき計算）。

ラインナップのデータを見ると、Curry はすべての主力ラインナップに含まれています。彼は戦術の中心であり、そのパフォーマンスがラインナップ全体の攻守効率に直接影響します。中心選手が欠場または移籍すると、全体のデータの変動（ラインナップの攻守効率とネット効率の低下）と戦術の再構築（短期的なパフォーマンスの不安定化）の2つが起こります。

モデルの特殊要因③：リアルタイム事象と世論の異常検知

NBAでは、負傷者レポートや休養の発表の時点で戦力がすでに変わっており、データの更新よりも早く表れます。NBAは各チームに試合前日までの負傷者レポート提出を義務付けており、選手の状態は欠場・出場可能性低・出場微妙・出場見込み（Out／Doubtful／Questionable／Probable）に分類され、試合当日にも更新されることがあります。モデルはAPIで負傷者レポート、休養、トレード、コーチ交代を追跡し、感情分析（Sentiment Analysis）と話題量の異常検知（Volume Anomaly Detection）でリアルタイムの状況シグナルを補完します。

1. イベント・投稿の収集：チームや選手のキーワード、試合タグをもとに、APIでイベントと関連するSNS投稿を収集します。
2. クリーニングと処理：リンク、ノイズ、重複を取り除き、トークン化（Tokenization）と見出し語化（Lemmatization）を行います。
3. 感情・異常の検知：ポジティブ・ネガティブ・ニュートラルを判定し、話題量や感情の異常な急増を検知します。
4. シグナル抽出：イベントの種類や世論の異常を状況特徴量に変換し、モデルがその試合の信頼度を調整するために使います。

事例：ルカ・ドンチッチ（Luka Dončić）の世紀のトレード。2025年2月、ダラス・マーベリックスは衝撃的なトレードで ドンチッチをロサンゼルス・レイカーズへ放出し、アンソニー・デイビス（Anthony Davis）を獲得しました。このような「エース選手の移籍」級の事象は両チームのロスター構成と戦術の中心を同時に書き換え、過去のチームデータは一瞬で代表性を失います。モデルはまず事象シグナルで両チームの信頼度を下げ、新しいラインナップが十分な試合数を重ねてデータが安定してから通常の評価に戻します。

関連する研究：ケガ情報の発表後にオッズがどう動くか、「出場微妙」の選手が実際に出場する割合

データソースと執筆チーム

Mysports.AI データサイエンスチーム

NBA／MLB／サッカーなど25リーグのAI予想モデルの開発と検証を担当しています。各バージョンのモデルのバックテストと毎日の実運用の予想は、外れた試合も含めてすべて 実績記録 で公開しています。

• NBA × AWS Leverage Score の技術解説：AWS Media Blog
• アドバンスドスタッツとラインナップ（Lineup）効率：NBA.com Stats
• 4ファクターモデルの出典：Dean Oliver,《Basketball on Paper》(2004)
• レブロン・ジェームズ（LeBron James）の標高に関する発言（"Yeah, it's real. You get tired a lot faster."）：ESPN, 2023-05-31、Lakers Nation, 2023-05-16
• デンバーのホームでの相手得点、リーグのホームアドバンテージ：Basketball-Reference 2023-24 日程とスコア（本ページで独自に計算）
• 本ページの数値の定義：的中率はモデル厳選試合の過去のバックテスト値です（過去3シーズン平均 約79%、最新版 約81%）。ROIも過去のバックテスト値です（過去3シーズン平均 約16%、最新版 約18%）。

関連記事