これは何:
弊社 Qiita 連載「建築 × AI」シリーズの 番外編 です。真面目な業務記事を期待して来た方、ごめんなさい。今回は馬の話です。
ML 検証の読み物であって、馬券購入の勧誘ではありません。数字は全部自分の hold-out / バックテスト結果。実購入は検証用の最小額。
税務のくだりは一般論です。個別判断は税理士へ。
馬券は自己責任。私の損失は私が背負います。 🐴

第0章オチを先に言います 🎯

弊社は東海地区で建築設計事務所をやっています。本業では JWW (Jw_cad) の図面を AI に自動生成させる プロジェクトを地道に進め中。 Qiita 本編シリーズもだいたいその話です。
ある週末、魔が差して「競馬予想 AI」を個人プロジェクトとして作り始めてしまった。
約 1 ヶ月で 単勝 ROI 約 140% (= 100 円賭けたら平均 140 円戻る計算) というモデルが hold-out 上で出てしまった。
今週末 (2026 年 5 月 23・24 日) の中央競馬で実戦検証 します。
そして、 まだ 1 円も当たっていない段階で税金と過去の馬券裁判を調べ始めて半日溶かしました。これが本記事のメインディッシュです。タイトル回収です。
賭ける金額・買い目・結果は 来週月曜 (5 月 25 日) の続編 で全公開予定。
勝っても負けても晒します。たぶん負けます。そのときはそっと心の中で笑ってください。 🙏

📅 続編予定: 5/25 月 22 時頃「実戦結果編」公開、本記事末尾からリンクします。

第1章なぜ建築屋の社長が競馬AI を?

事の発端は取引先の社長 (大の競馬好き) との打ち合わせでした。

取引先の社長: 「最近の AI ってさぁ、競馬とか当たるんでしょ?」
自分: 「(うわ、また始まった…)」

これ、 IT 周辺で生きていると 死ぬほど聞かれる質問 ランキング上位に入っていると思うんですが、皆さんどう答えてますか? 弊社はいつも「いや〜、ギャンブルは胴元が一番強いので無理ですよ」と適当に流していました。

が、その日ふと、

「胴元が強い って、本当か?」

と自分に問い返してしまった。これが 半月後に GPU マシン 2 台を数週間占有する個人開発プロジェクトに化ける 1 行 になります。

ちょっとまじめに算数をします。 JRA の単勝・複勝の控除率はおよそ 20% (払戻率上限約 80% で運用)。何の情報優位も無く賭けると、平均で 100 円が 80 円に目減りする市場です。

ということは、「市場 (= 確定オッズに織り込まれた集合知) がまだ拾えていない情報優位」を機械学習で抽出できれば、長期で回収率 100% 超の余地が理論上存在する。

これ、言葉を変えると「JRA という市場で、集合知を機械学習で出し抜けるか?」という、まあまあ健全なテーマじゃないか? と自分を騙しに来ました。騙されました。これはその懺悔と自慢を兼ねた記録です。

第2章システム全体像 🛠

まずは構成から。全体像はこんな感じです。

※1: 「あるレガシーな Windows GUI ソフト」とだけ書いておきます。馬好きと JRA データ利用経験のある人ならピンと来るはず。これが Linux で動かないので、結局 Win マシンが 1台ハブとして必須。これが地味に運用上の最大ボトルネックです。

技術スタック:

学習: LightGBM + Optuna ( + 一部自作補正)
特徴量: 約 40 次元 (内訳は次章で大分類だけ紹介)
推論: ARM 系 GPU マシン 2 台 (本番 cron 機 + 計算機、専用線で直結)
通知: 自作 SMTP スクリプトで自分の Gmail に予想とエラーを投げる
コード生成と設計レビュー: Claude Opus 4.7 (1M context) ← これがいなかったら 5 年かかってた

第3章何を食わせて何を予想しているのか 🤔

ここが一番気になるパートだと思うので、設計思想と失敗筋をある程度書きます。「全部教えろ」は勘弁してください。弊社も 1 ヶ月かけて 1 個ずつ削って足して出したものなので。

3.0 データの時系列分割 (時系列リーク対策の核)

競馬 ML で一番信用できないモデルは「時系列分割が雑なモデル」です。過去と未来を 1 日でも混ぜたら ROI はあっという間に 200% を超え、そして 実戦できれいに死にます。弊社のパイプラインはこう切っています:

学習に使うのは 2025-11 まで。 hold-out (2025-12) は モデル選定とハイパラ確定が終わって一度しか見ない。
補助評価として 2018-2025 の月次 walk-forward (各月を順に評価期間に回す) も実施。「ある 1 ヶ月がたまたま強かっただけ」を排除する目的。
live (2026-05) は モデル凍結後の完全未知 データ。ここで初めて馬券を買う。

3.1 入力データの内訳 (約 40 次元を大分類で)

予想時点で取得可能? 列が ○ のものだけを使い、 × は一切使いません。これが 時系列リーク監査表 です。

大分類	例	予想時点で取得可能?	採用
馬の属性 (基本)	性別、年齢、父系統、母父系統	○ (出走表確定時点)	✅
馬の属性 (動的)	馬体重とその変動傾向	△ (前走時点までを使用)	✅
馬の戦績	直近 N 走の着順傾向、上がり 3F の偏差、同条件適性	○ (前走終了時点までで集計)	✅
騎手・厩舎	当該条件勝率 / 連対率、騎手 × 厩舎相性	○ (前走終了時点まで)	✅
コース・条件	距離、芝/ダート、コース形態、馬場状態、斤量、枠順	○ (出走表 + 当日発表)	✅
血統 (5代)	父〜高祖父母系統と近交係数	○ (静的情報)	△ 全件取得中
払戻総額ベース指標	過去レースの合計票数から算出 (※当該レースの票数は使わない)	○ (過去レース確定後)	✅
❌ 当該レース確定オッズ	単勝オッズ、人気順	× (レース直前にしか確定しない)	❌
❌ 当該レースの結果由来値	当該レースから計算したどんな統計も	× (未来情報)	❌
❌ 競馬専門サイト指数	一部サイトは結果反映が速いためリーク疑い	× (検証で ROI 不安定)	❌
❌ 天候 (現地観測)	風速 / 気温	× (馬場状態で代替済)	❌

⚠ オッズをあえて使わない理由 は 2 つ:

オッズはレース直前にしか確定せず、「前日朝に予想を出す」運用要件を満たせない

オッズ系を入れるとモデルは「人気馬を当てに行く」だけのつまらない子に育ち、妙味のある中穴を推せなくなる

3.2 学習方法と評価方法

アルゴリズム: LightGBM (目的関数はランキング学習寄りのカスタム)
学習データ: 2018 年〜 2025 年 11月までの中央競馬全レース (約数百万行ベース)
第 1 評価 (hold-out): 2025 年 12 月の約 4 週
第 2 評価 (月次ローリング): 2018 〜 2025 年を 月次 walk-forward で検証し、年別 / 月別 ROI を並べて「ある月 1本だけで偶然強かったのではない」ことを確認
不確実性評価: ブートストラップ で単勝 ROI の信頼区間 (95% CI)、 最大ドローダウン、 的中時オッズ分布 を推計
評価指標: ROI (回収率) と上位馬 hit 率を同時に見る (片方だけだと危ない)
ハイパラ最適化: Optuna (現在別マシンで数百試行走らせ中、火曜朝完了予定)

特徴量の 取捨選択 は ablation (ある特徴量群を抜いたモデルと入れたモデルを比較) で機械的に判定しています。「直感で効きそう」を信用しない。直感は 平気で嘘をつきます。

時系列リーク防止が最大の関心事:
競馬 ML で一番多い「水増し ROI」の原因は、学習データに 未来の情報 を紛れ込ませてしまうことです。例: ある馬の「シーズン通算成績」を各レース時点の特徴量に使う、など。これをやると学習時 ROI はぐんぐん伸びるが、実戦で死ぬ。私のパイプラインでは、 特徴量を生成する時点で「その時までに利用可能だった情報」だけで計算する 規約を厳密に守っています (検査用のレビュースクリプトで各特徴量の計算時刻と参照時刻の整合を機械的にチェック)。

3.3 一番効いている (たぶん) 軸

これは競馬 ML 界でわりと共通認識だと思います:

「同じ条件で過去どう走ったか」系: コース、距離、馬場、距離 + 斤量、斤量変化 — の適性が一番安定して効く
騎手 × 厩舎の相性: ベタなように見えて効く
時系列のリーク防止: ある時点で知り得ない情報 (例: そのレースの結果から導いた数字) を過去側の特徴量に混ぜない、これを 1 つでもやったら全数字がウソになる

逆に、私が散々入れ替えて結局効果が安定しなかったのは、

オッズ系・人気系 (ROI を下げる方向に振れがち)
競馬専門サイトの「指数」系 (学習データにリークしやすく、またスクレイプコストに見合わない)
天候 / 風速 / 気温 (馬場状態ですでに取れている情報と被る)

ROI を 110〜120% に載せるところまでは公開されている知見で多くの人が到達できる領域だと思います。そこから先はデータ前処理の職人技と試行錯誤の量で、私も 1 ヶ月かけて 1 つ 1 つ削って足しての繰り返しでした。

第4章しくじり名場面集 😇

開発中に踏んだ地雷を並べます。これを笑い飛ばすための記事と言っても過言ではない。

4.1 「toroku」列が全行 77 で固定されている事件

最初にやったのは、各レースの 登録頭数 と 出走頭数 を生バイナリから読み出す処理でした。仕様書 (古い PDF) を頼りに offset 31 から 2 バイト で読んだら、全行 77 で揃ってる。

私: 「日本の競馬って 1 レース 77 頭走るんでしたっけ?」
Claude Opus: 「いいえ、通常最大 18 頭です」
私: 「ですよね」

しばらく悩んだ末に、そのバイト位置は実は ASCII の "77" という固定フラグ であって、登録頭数は別の場所 (offset を 4 つズラした位置) に居ました。当然この生データには公式ドキュメントがろくにない。

教訓: 「常識的にあり得ない値」が一面並んでいる時は、自分のオフセット計算を疑え。 バイナリ仕様書を信用するな、実データを信用しろ。

4.2 「血統スクレイプ 950 馬」で精度がガタ落ち

馬の 5代血統 (祖父母 → 高祖父母… 計 30 頭) を入れたらモデル精度が上がるはず、と仮説を立てて、とりあえず 新しい馬 950 頭分 の血統情報を、公開された公式の個人利用範囲で、利用規約と robots.txt を確認したうえで、 十分に低頻度 (1リクエストあたり数秒待機 / 並列度 1) で取得しました。取得手順や具体 URL は本記事では紹介しません (権利関係と規約遵守の観点で、各自で一次情報を当たってください)。

そして組み込んで再学習させたら…

モデル: ROI 108% (前モデル 140% から マイナス 32 ポイント)

崩壊です。なぜか?

原因はシンプルで、学習データ全 211,000 頭のうち、血統情報があるのが 950 頭 (= 約 0.45%) しか無かった ため。 LightGBM 君は、 99% が NaN で 1% 弱だけ値があるカラムを「これノイズじゃん」と適切に学習してくれず、むしろ既存特徴量との偽の相関を拾って大コケしました。

教訓: 欠損カバレッジが極端に低い特徴量はモデルを破壊する。 入れるなら全件、入れないならゼロ件。半端な部分集合が一番怖い。

対策: 全 21 万頭を同じ低頻度ルールでスクレイプし直し中 です。 ETA は約 5日。マシンは 24時間稼働です。これも面白おかしくて、「血統データのために 5 日かけて 21 万件を数秒/req で順番に取得する」って文字にすると 完全にバカ ですよね。でもやってる。

4.3 票数データを統合したら ROI が下がる謎

オッズが直接使えない条件 (前日予想だとオッズが固まってないため) でも「払戻総額」 = 票数の合計から人気度合いを推定できるはず、と考えて、別ファイルから票数系の数値を取り出して特徴量に追加しました。

結果: ROI -13 ポイント。

なぜ? と 1日悩んで気がついたのは、当たり前と言えば当たり前の話で、「票数 ∝ 人気 ∝ オッズ」なので、 オッズを使わない約束を票数経由で破っていた だけでした。しかも人気馬偏重になって単勝の妙味が消える。

教訓: 「直接使ってないからリークじゃない」と思った特徴量が、 1ホップ先で普通にリークしている。競馬は情報の連鎖が濃いので、こういうのがザラに起きます。

これ、同じ罠を業務系の機械学習でもたくさん見かけます。「ユーザ ID 入れてないから個人特定リークじゃない」 → 「でも IP + UA で 95% 識別できてました」みたいな。 競馬は機械学習の練習台として異常に優秀 です。

第5章当たる前から税金を心配し始めた男の半日 💸

ここがこの記事の タイトル回収 パートです。 ROI 140% のモデルが hold-out で出た瞬間、自分は重大な事に気付いてしまいました。

自分: 「これ、もし本当に勝ち続けたら、税金どうなるんやろ?」

落ち着いてください。自分は まだ 1 円も当てていません。何なら来週月曜までに 1 円も払戻がない 可能性すらある。 hold-out 上の数字と実戦の数字は別物。そんなことは機械学習をやったことのある人間なら全員知っている。

にもかかわらず、ここで国税庁タックスアンサーと過去の裁判例を 半日かけて調査し始めた のがこの男 (私) です。馬券を 1 枚も買っていない段階で。取らぬ狸を通り越して 狸の子孫の進学費用まで心配している 状態です。

5.1 競馬の払戻金はどの所得?

国税庁の一般的な整理はこうとされています (※あくまで概念整理です。個別事案は必ず税理士または所轄税務署に確認してください):

競馬の払戻金は 一般には一時所得として扱われることが多い
一時所得の課税対象 = ( 払戻金 − その的中馬券の購入額のみ − 特別控除 50万円 ) × 1/2

ここで重要なのは「この扱いになると外れた馬券の購入額は経費とされない」という点。例えば、 1年間で 100 万円賭けて 110 万円取り戻し、そのうち当たった馬券の購入額が 10 万円だったとすると、

課税対象 ≒ (110 − 10 − 50) × 1/2 = 25 万円 が一時所得に

外れ馬券 90 万円は 無かったこと にされるのがこの扱いの怖いところ。一方、趣味で年に数回賭ける程度なら 50 万円特別控除のおかげで課税対象になることはほぼない、と一般には説明されます。

5.2 例の「馬券裁判」シリーズ

ところがですね、私が半日溶かしたのはここから先です。過去に「外れ馬券を経費にできるか」を争った有名な裁判があります。

大阪馬券裁判 (最高裁平成27年3月10日判決)
- 元会社員が独自のソフトで JRA 全レースをほぼ網羅的に自動購入 し、数年で数十億円を賭け、数億円の黒字を出した事案
- 国税は「一時所得・外れ馬券は経費にならず」と課税 → 当人は「これは営利目的で継続的にやってる雑所得だ、外れ馬券は必要経費だ」と主張
- 最高裁: 当該事案では雑所得、外れ馬券も必要経費と認定 (当人勝訴)
札幌馬券裁判 (最高裁平成29年12月15日判決)
- こちらも同様に自動・大量・継続購入ケースで、 雑所得 + 外れ馬券経費 が認定

ただしどちらも「営利目的で継続的に行われた」こと、つまり 趣味を超えた事業性 が認められた、と整理されています。国税庁の整理もこの 2 判決を受けて「自動的に多数を継続購入するなどの例外的な購入態様に限り雑所得として扱い得る」と、限定的な方向で整理されていると報じられています (※具体的な適用判断は個別事案ごとに異なるので、該当し得る規模で運用する場合は税理士への事前相談が推奨されます)。

5.3 「で、俺の場合は?」の検討会 (脳内)

ここから私は 1人で検討会を開きます。当事者私、反論役私、司会私。

司会私: 「では、ご相談者の状況をご説明ください」
当事者私: 「自作 AI モデルで中央競馬の予想を出して、毎週末上位レースのみを限定額で単勝購入する予定です」
反論役私: 「自動投票では?」
当事者私: 「いいえ、 目視で確認して手動投票 します」
反論役私: 「全レース購入では?」
当事者私: 「いいえ、モデルが強気の上位数レースのみに絞ります」
反論役私: 「継続性は?」
当事者私: 「まだ 1 円も当ててません」
司会私: 「ご相談者、そもそも課税の心配をする段階に達しておりません。本日はお引取りください」

…という結論が半日かけて出ました。 半日返してほしい。

ただ、真面目な話として、機械学習で一定の期待値が出るモデルを持っているなら、「将来黒字が安定した場合の申告区分を事前に整理しておく」のは経営者としてはむしろ健全だ、と自分を慰めておきます。 (ホビーが法人の経費にならないことも同じく半日かけて確認したとはここだけの話)

5.4 教訓 (?)

皮算用は楽しい。ただし仕事の時間を削るな
黒字を出す前に税理士に確認する ほどの額を賭ける予定はない
当たってから心配しろ

第6章 Claude Opus 4.7 (1M context) と組むコツ 🤖

この開発、ぶっちゃけ Claude Opus 4.7 がいなかったらぜったい完成してません。特に 1M トークン context が効きました。

私が個人的に効いたな〜と思ったプラクティス:

「memory ファイル」を Claude 自身に管理させる
- 「過去ハマったポイント」や「自分が説明を何度も求められて嫌だったこと」を 専用 md ファイル に Claude 自身が書く
- セッション冒頭に必ず読ませる
- 副作用として、後から自分が読み返しても「あ、ここでこうハマったのか」が全部残る
長時間タスクは中断せず一気に
- グローバル設定に「途中で質問するな、最善策で進め」と書いておく
- 何度も「どうしますか?」で止まると、一晩で終わる作業が三晩になる
エラーは 3回まで自力解決させる
- 「ライブラリ競合は自分で直せ」と投げておくと、 venv 切り直しからバージョン pin まで勝手にやってくれる
- 私が監視してたのは主に「方向性がズレてないか」だけ
重要メトリクスは必ず「テストセット」で出させる
- 「学習データの ROI が 200%」みたいなヤバい数字が出ても喜ばない
- 直近 1ヶ月を hold-out にしてそっちで評価。今の ROI 140% もそっちの数字

第7章現状のモデル概要と評価サンプル 📊

⚠ 以下の数字は hold-out (2025/12) と月次バックテスト上の値で、実戦の収益を保証するものではありません。実戦ログは続編で。

7.1 ROI の計算式と検証ルール

ROI = ( hold-out 期間 の 払戻合計 ) / ( hold-out 期間 の 購入合計 )
購入合計 = ( 1点 100 円 × 単勝 ) × ( 推奨レース数 )
推奨レース = モデル の 推定 期待値 が 閾値 を 超える レース のみ (= 全レース 購入 では ない)

券種: 単勝のみ
1レース 1点 100 円固定 (Kelly 等の動的ベットは採用していない)
対象: モデルが推奨したレースのみ (見送りレースは購入額 = 0)
payouts は JRA 公式払戻 (税引前) を用いる

ROI 100% = ちょうど元本維持、 100% 未満 = マイナス、 100% 超 = プラス。 JRA の単勝控除率は約 20% (上限払戻率 80%) なので、 「市場から何の情報優位も引き出せていないモデルの期待 ROI ≒ 80%」 がベースラインです。

7.2 hold-out (2025/12) サンプル数

指標	値
評価期間	2025-12-02 〜 2025-12-29 (約 4 週)
中央競馬全レース数	約 300
モデル推奨 (= 購入) レース数	約 150
購入合計 (= 150 × 100 円)	約 15,000 円
的中数	約 37
単勝的中率	約 24.5%
払戻合計	約 21,000 円
単勝 ROI	約 140%
平均配当 (的中時)	約 570 円
中央値配当 (的中時)	約 360 円
最大配当 (的中時)	約 4,200 円

サンプルサイズが推奨 150 レースと限定的なため、単独では偶然の寄与を排除し切れません。月次 walk-forward とブートストラップで補強します。

7.3 年別 ROI (2018-2025 月次 walk-forward、補助評価)

年	推奨レース	単勝 ROI	単勝的中率
2018	約 1,700	約 112%	約 21%
2019	約 1,750	約 128%	約 23%
2020	約 1,700	約 119%	約 22%
2021	約 1,800	約 135%	約 24%
2022	約 1,750	約 122%	約 23%
2023	約 1,800	約 131%	約 24%
2024	約 1,750	約 125%	約 23%
2025 (1-11月)	約 1,600	約 133%	約 24%
全期間平均 (重み付き)	約 13,800	約 125%	約 23%

hold-out 単月で 140%、 8 年 walk-forward で 125% がそれぞれ別の評価軸の「ベスト推定」。続編で ブートストラップ 95% CI / 最大ドローダウン / 的中時オッズ分布 (ヒストグラム) を公開予定。

7.4 表を読むときの注意

上記の モデル1位馬の単勝的中率 (≠ JRA1番人気の的中率) に注意
モデル1位馬の複勝圏 (3着以内) 率 (hold-out) は 約 81%
競馬の単勝 ROI は少数の高配当的中で大きく振れる。表の「最大配当」を 1 つ外すだけで ROI が数ポイント動く
馬場状態 / 騎手 / 出走馬が期間を跨いで変わる と一発で崩れる性質がある
モデル自身が出した予想で自分が買うことでオッズを動かすリスク は個人投資額では無視できる水準

私のモデルも今週末初めて「学習に使ってない現役の馬たち」を予想するので、ぶっちゃけ どうなるか私にも分からない。

これが楽しい。

第8章今週末 (5/23・24) の実戦検証予告 🏇

ここからが本番です。 hold-out の数字が強いことはわかった。では、学習にも評価にも一切使っていない「来週末のレース」で、同じぐらいの数字が出るのか? それを確かめるのが今週末。こればかりはやってみないとわからない。楽しい。こわい。

これは ML 検証のログ取りであって、馬券購入を推奨するものではありません。

5/23 (土) 朝 7:00: 本番機の cron が起動 → 当日の全レース予想 CSV が私の Gmail に届く
その日のうちに: 私が内容を確認し、検証用の最小額で単勝を購入
5/24 (日) 朝 7:00: 同じく日曜版が届く → 同じルールで購入
5/24 (日) 19:00: 検証 cron が走り、週次 ROI が自動集計される

検証ルール (詳細は来週公開):

単勝のみ (モデルが一番強いと評価されている券種)
モデルの推奨上位 N レースに限定
1レース上限 / 週末合計予算上限 ともに検証用の最小額。具体額は来週公開
購入は手動確認のみ、自動投票はしない

馬券は自己責任です。私の数字を見て真似で賭けることは一切推奨しません。私は趣味と検証のために必要最小限の出費でやります。

第9章来週月曜 (5/25) のフォローアップ予告 📅

来週月曜の 22時頃に 「実戦結果編」 として別記事を公開予定です。こんな内容を出します:

的中率・回収率の生数字 (隠さず全部)
モデルが推した全レースと実結果 の突き合わせ表
賭けた金額・買い目・結果収支 (恥ずかしいやつ)
モデルがハマった理由 or 外した理由 の反省会
来週以降の改善案
そして… 211,000 頭血統スクレイプ が終わってたらその取り込み結果も載せます
(おまけ) 「税金を半日調べた件の後日談」 ← 万が一黒字が出てしまった場合のみ

勝っても負けても、「機械学習を競馬という過酷なテストベッドに突っ込むとこうなる」という実例として価値があると思っています。たぶん負けます。負けたら笑ってください。勝ったら一緒に笑いましょう。

第10章おわりに 🌳

弊社の本業 (建築設計 × AI) もちゃんと進んでいます。競馬はあくまで 休日プロジェクト で、自分にとっては 「ノイズだらけの実世界データをどう機械学習で料理するか」の一番真剣な練習台 です。

仕事で扱う図面データも、結局のところ「人間が手で書いたノイズだらけのデジタル化遺産」という意味では競馬の生バイナリと大差ありません。同じ「仕様書がろくに無いバイナリを実データから解読する」という筋肉が、両方で鍛えられる。

それが伝われば番外編としては大成功です。

来週月曜、また会いましょう。 (たぶん意気消沈した顔で。)

🔁 最後にもう一度: 本記事は ML 検証の読み物です。馬券購入を推奨するものではありません。公営競技は余剰資金で適度に。
困ったら → 厚労省ギャンブル等依存症相談窓口

関連記事 (Qiita 本編シリーズ)

(本編シリーズ各記事へのリンクは公開時に追加予定)

使用ツールと参考リンク

Claude Opus 4.7 (1M context) — メイン開発パートナー
- モデル概要・性能 / 1M トークン context: Anthropic 公式モデル一覧 (ja)
- Claude Code 上でのモデル設定 (1M context 含む): Model configuration (en)
LightGBM / Optuna — 学習・ハイパラ最適化
Python (paramiko / pandas / requests) — 全工程
JRA 払戻率 等の基礎情報: JRA スーパープレミアム / 払戻率の説明
競馬の払戻金と所得税の一般的整理: 国税庁タックスアンサー No.1490 / 最高裁判決 (平成27年3月10日 / 平成29年12月15日)
私の睡眠時間 — 大量に消費 (返却不可)