NHL AI予想モデル｜
特徴量と特殊要因で導く勝敗ロジック

NHL 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 65% 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（v12）では約 67% です。過去3シーズンの平均投資収益率（ROI）は約 13%、最新バージョン（v12）では約 13% 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改良を重ね、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比較いただけます。ここでのバージョンは、NHL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、モデルが勝率を安定して推定するための基盤です。得点、失点、勝率などの基本指標に加え、モデルはMysports.AI全体の1,500以上の特徴量からアイスホッケーに関連するものを取り出し、試合結果との関連が強い中核変数を選別したうえで、シグナルの弱いノイズを除外しています。

無効な特徴量は過学習（Overfitting）や系統的なバイアスを招き、未知の試合に対するモデルの汎化性能を損なうおそれがあります。特徴量選択（Feature Selection）によって的中率と安定性を改善できます。

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。NHL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ます：上位の特徴量はおおむね 2~9%、残りのロングテールの特徴量はそれぞれさらに小さく、正常で健全な分布です。

モデル構造：データから予想までの4層パイプライン

NHL AI予想モデルは、毎日稼働する4層のデータパイプラインでデータ処理、学習、推論を行います。技術的な仕組み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：NHL公式統計（NHL.com Stats）から各試合のbox score、チームと選手のデータ、日程と成績を取得し、ホーム・アウェー、休養日数、連戦（バック・トゥ・バック）などの状況変数を整理します。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）して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）。先発ゴーリーなどの特殊要因も、対応するデータテーブルから取得しています。
• 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。1試合あたり得点／失点、ホーム・アウェー別の勝率、直近の調子の加重（直近5／10試合）、連勝・連敗、休養／連戦の疲労指数などが含まれます。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 と長短期記憶ネットワーク（Long Short-Term Memory, LSTM）／時系列モデル（Temporal Model）でチームとゴーリー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（Probability Calibration）を行い、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、最新の先発ゴーリー、負傷者リスト、オッズの変動、日程の状況を反映します。出力は「ホームチーム勝率 58.4%」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。

この種の手法はアイスホッケー分析で長い実務の蓄積があります。NHL公式統計の得点、失点、勝率、日程の状況は、勝敗とオーバー／アンダーのモデル構築に利用できます。各リーグ（NHL／NBA／MLB）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。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、オッズのカバー率、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、単一の指標だけでは判断できません。アイスホッケーは1試合ごとのばらつきが大きいため、少なくとも次の4指標を評価すべきです：

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）によって成績が過大評価されます。ウォークフォワード検証（Walk-forward Validation）は予想時点より前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。そのため、すべての予想を実績ページに保存し、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：指標ミニ辞典

中核となる指標は、攻守のパフォーマンス、直近の調子、日程による疲労を定量化するために使います。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。

NHL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

スポーツベッティングのAI分析は、主にオッズの価格のズレ、オーバー／アンダー、日程による疲労、チームの状態という4種類の定量判断に使われます。

• 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（Total Goals）モデル：両チームの1試合あたりの得点と失点、ホーム・アウェー別の得点力、直近の調子について、モデルがそ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。
• 連戦と日程による疲労の影響モデル：過密日程、連戦（バック・トゥ・バック）の2日目、複数試合の連続アウェーはパフォーマンスを下げます。AIは休養日数、連戦、連続アウェー試合数で疲労を定量化し、成績だけを見る判断に代わる評価を行います。
• チームの調子の傾向：チームの直近5／10試合の勝率と得失点が基準ラインから継続的に乖離している場合、オッズがその状態の変化を十分に反映していない可能性があります。

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、NHL 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：先発ゴーリー

先発ゴーリー（Starting Goalie）は、NHLの1試合の勝率と失点の分布を左右する重要な変数です。セーブ率（Save Percentage, SV%）の高いゴーリーは相手の期待得点（Expected Goals, xG）を抑え、控えや調子を落としたゴーリーは失点のリスクを高めます。先発は試合前に発表されることが多いため、モデルはこの入力を毎日更新しています。

• セーブ率 SV%：トップクラスのゴーリーとリーグ平均の差は、1試合あたり零点数失点程度になることが多く、勝率を直接変えます。
• 連続先発の疲労：短期間に連続で先発したり、連戦（バック・トゥ・バック）で起用されたりしたゴーリーは、セーブのパフォーマンスが落ちる傾向があります。
• 対戦相手とリンク：特定の相手や、ホーム／アウェー別に見たゴーリーの過去の成績の差も評価に含めています。

関連する研究：先発ゴーリー確定後のオッズ変化の研究

モデルの特殊要因②：連戦と日程による疲労

連戦と連続アウェーは、NHLチームの疲労負荷とパフォーマンスの分布を変えます。連戦（Back-to-back）の2日目や、複数試合の連続アウェー中のチームは、勝率と試合内容が低下する傾向があります。モデルは休養日数、連戦、連続アウェー試合数を状況特徴量として定量化しています。

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

NHLで1試合の勝敗に最も影響するのは先発ゴールキーパーで、試合当日の朝練習（morning skate）や試合前のウォームアップ後にようやく確定することがよくあります。連戦の2試合目では、控えゴールキーパーが先発するのが一般的です。モデルはAPIで先発ゴールキーパーの確定、連戦時のローテーション、負傷者リスト（Injured Reserve）、トレードを追跡し、感情分析と話題量の異常検知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：エリック・カールソン（Erik Karlsson）のトレード。2023年夏、ノリス賞（Norris Trophy、最優秀ディフェンスマン）を受賞したばかりのカールソンがサンノゼ・シャークスからピッツバーグ・ペンギンズへトレードされました。攻撃型ディフェンスマンの加入はチームの攻守の構成を変え、このような移籍級の事象は過去のデータの代表性を失わせます。モデルはまず信頼度を下げ、新しいラインナップが噛み合った後のデータがたまってから再評価します。

データソースと執筆チーム

本記事は Mysports.AI データサイエンスチームが執筆し、NHL公式統計と公開されている過去データを主な根拠としています。

Mysports.AI データサイエンスチーム

NBA／MLB／NHL／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。

• 公式データ、日程、成績：NHL.com Stats
• チーム成績と過去データ：Hockey-Reference
• チーム成績と過去の記録：Hockey-Reference
• 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65%、最新版 約67%）。ROIも過去のバックテスト値です（過去3シーズン平均 約13%、最新版 約13%）。

関連記事

関連コンテンツでは、NHLのオッズの読み方、毎日の予想、モデルの検証記録を扱っています。