人工智慧如何改變紐西蘭賽馬預測——以及為什麼投注者應該關注

幾十年來，在新西蘭純種馬賽馬中挑選獲勝者一直依賴同樣的要素：賽馬指南、敏銳的眼光、對賽道的了解，以及一點運氣。最優秀的投注者會培養出一種直覺——能夠感知馬匹何時狀態最佳、練馬師何時找到了合適的比賽、以及賽道條件何時最有利。

但直覺是有限的。人腦一次最多只能處理十幾個變數。紐西蘭一場普通的賽馬會涉及數十匹馬、多位騎師和練馬師、不斷變化的賽道狀況、分段計時、閘位統計數據以及長達數月的賽馬狀態週期。即使是最精明的投注者也會錯失良機——並非因為他們判斷錯誤，而是因為他們無法掌握全局。

這就是人工智慧發揮作用的地方。

人工智慧為紐西蘭賽馬分析帶來什麼

機器學習在賽馬領域並不新鮮。像 Horse Racing Nation 和 Timeform 這樣的全球平台多年來一直在使用統計模型。但這些系統大多基於海外（美國、英國、澳洲）的大型資料集構建，而紐西蘭的適用性只是事後才考慮的。

問題在於紐西蘭賽馬的實際情況截然不同。參賽馬匹數量較少，賽事場次也更少，賽道狀況變化迅速，騎師和練馬師的模式也與國際賽馬的模式大相徑庭。一個主要基於英國資料訓練的人工智慧模型無法理解為什麼一匹在里卡頓賽馬場表現出色、但在特拉帕賽馬場卻表現不佳的馬匹，也無法解釋為什麼阿瓦普尼賽馬場的某個特定閘位在軟地6級賽道上歷來表現欠佳。

解決方案是使用專門基於紐西蘭資料訓練的模型。

預測背後的數據

一款專為紐西蘭賽馬打造的人工智慧系統，每場比賽都會輸入數千個變數。這些變數不僅包括顯而易見的——閘位、負重、近期狀態——還包括人類賽馬分析師很少有時間量化的模式：

分段計時－馬匹最後 200 公尺和 600 公尺的成績相對於其他馬匹平均成績的比較，而不僅僅是最終名次。

按賽道和距離劃分的閘位表現－特倫瑟姆賽道 1600 公尺賽程的 3 號閘位與里卡頓賽道相同賽程的 3 號閘位在統計上是否有差異。

場地狀況歷史－按場地類型劃分，分析單匹馬在良好、柔軟和重泥濘賽道上的表現。

特定賽道上的練馬師和騎師的模式——不僅僅是他們的整體勝率，而是他們在每個場地上的表現。

級別轉換——歷史上，馬匹在級別升高或降低的情況下，在類似比賽中的表現如何。

賽馬負重變化－分配的負重與實際負重之間的差值，考慮見習騎師的減重。

該模型並非靠猜測，而是從數萬場紐西蘭歷史賽事的成績中學習——包括每位參賽者、每次名次、每次差距——並識別出歷史上能夠預測成功的因素組合。

為什麼賽道狀況比大多數賭客意識到的更重要

人工智慧對紐西蘭賽馬數據的分析得出的最引人注目的發現之一是賽道狀況對比賽結果的影響有多麼巨大，以及個別馬匹對賽道狀況的反應有多麼不一致。

以奧塔基賽馬場典型的周中比賽為例。在4級好地條件下，熱門馬匹可能在7場好地比賽中贏了3場。但深入分析後，你會發現這3場勝利都是在3級或更硬的場地上取得的——而且這匹馬從未在軟地或爛地上獲得過名次。同時，同一場比賽中賠率為15比1的馬匹，其職業生涯最佳的五場比賽中有四場是在雨水影響下的場地上跑出來的。

大多數投注者會瞥一眼賽道狀況，然後稍作調整。而該模型則是能量化賽道狀況，從中學習，並將這些經驗應用於成千上萬匹賽馬的比賽中。