Guía independiente · Apuestas
Criterio de Kelly, Kelly fraccionario y riesgo por errores de estimación
Guía breve basada en evidencia: qué es el criterio de Kelly, por qué se usa Kelly fraccionario y cómo los errores de estimación aumentan el riesgo del bankroll — con ejemplos y medidas prácticas.

Kelly maximiza el crecimiento geométrico a largo plazo pero requiere parámetros conocidos; con estimaciones, el Kelly completo (plug‑in) incrementa el riesgo de grandes caídas. Kelly fraccionario y ajustes bayesianos/reducción de varianza disminuyen las pérdidas máximas manteniendo buena parte del crecimiento.
Qué es el criterio de Kelly y cuándo es óptimo
El criterio de Kelly elige la fracción de la banca que maximiza la tasa de crecimiento logarítmico esperado del capital en apuestas repetidas e independientes. En condiciones ideales (probabilidades y pagos conocidos) la fracción f* es asintóticamente óptima para el crecimiento geométrico.
Hay fórmulas cerradas para apuestas binarias y una forma continua para retornos de carteras; en el caso continuo con supuestos gaussianos f* = μ/σ^2, lo que evidencia la sensibilidad a la estimación de la rentabilidad esperada y la varianza.
- Kelly maximiza crecimiento geométrico a largo plazo.
- Fórmula binaria: f* = (p(b+1) − 1)/b.
- Fórmula continua (Gauss): f* = μ/σ^2.
- Óptimo asintótico — depende de supuestos del modelo.
Kelly fraccionario: por qué reducir el Kelly completo
El Kelly completo puede producir fuertes fluctuaciones y grandes drawdowns en horizontes finitos, por ello los practicantes suelen aplicar una fracción λ de f* (por ejemplo 0.5 o 0.25). Esto reduce varianza y drawdown máximo, manteniendo buena parte del crecimiento a largo plazo.
Estudios de simulación y revisiones prácticas (MacLean/Thorp/Ziemba; Thorp) muestran que Kelly fraccionario suaviza la curva de capital y disminuye la probabilidad de ruina. La elección de λ depende de la confianza en las estimaciones y del perfil de riesgo.
- Kelly fraccional = λ × f* (λ típicos: 0.5, 0.25).
- Reduce volatilidad y drawdown máximo.
- Conserva la mayor parte del crecimiento a largo plazo.
- Recomendado ante límites de apalancamiento o estimaciones ruidosas.
Cómo los errores de estimación aumentan el riesgo del bankroll
La validez del criterio de Kelly exige conocer exactamente los parámetros (p o μ y varianza). En la práctica esos parámetros se estiman con muestras finitas, con sesgos y ruido. El Kelly plug‑in, que sustituye estimaciones puntuales, tiende a sobreestimar la ventaja real y produce apuestas excesivas.
Consecuencias: mayor probabilidad de drawdowns profundos y mayor riesgo de ruina; además la ganancia logarítmica esperada se reduce por la varianza de las estimaciones. Los errores en la estimación del edge suelen causar más daño que errores en la varianza.
- Kelly plug‑in asume estimaciones exactas — rara vez cierto.
- Errores de estimación aumentan drawdowns y ruina.
- Errores del edge dominan el impacto negativo.
- Ajustes fraccionarios o bayesianos mitigan la sobreapuesta.
Variantes bayesianas y salvaguardas prácticas
Las variantes bayesianas ponderan la incertidumbre de los parámetros: calculan expectativas a posteriori o multiplicadores efectivos que reducen la fracción recomendada. Investigaciones recientes (Sukhov 2026) ofrecen fórmulas explícitas para creencias beta‑binomiales que muestran cómo la fracción depende del tamaño de muestra y la fuerza del prior.
Medidas prácticas: combine Kelly fraccionario o correcciones bayesianas con pruebas de esfuerzo Monte Carlo, fije límites duros por apuesta y sobre la exposición agregada, y documente supuestos y tamaños muestrales. Use Kelly completo solo como referencia teórica.
- Kelly bayesiano produce multiplicadores basados en incertidumbre.
- Sukhov (2026) presenta reglas explícitas para modelos comunes.
- Hacer stress tests con sesgo, correlaciones y colas gordas.
- Establecer topes en apuesta y apalancamiento agregado.
Qué comprobar
- No aplique Kelly completo plug‑in sin alta confianza en sus estimaciones.
- Use Kelly fraccional (p. ej. 0.5 o 0.25) cuando las estimaciones sean ruidosas.
- Considere ajustes bayesianos o de regularización si puede modelar incertidumbre.
- Realice Monte Carlo para probar escenarios de sesgo y colas gordas.
- Implemente límites duros por apuesta y sobre la exposición total.
Fuentes
Revisado: . Las fuentes externas se abren en una pestaña nueva.
- A New Interpretation of Information Rate (Kelly, 1956)Bell System Technical Journal (scan/PDF)
- Long‑term capital growth: the good and bad properties of the Kelly and fractional Kelly capital growth criteria (MacLean, Thorp & Ziemba, 2010)UC eScholarship (open access)
- Medium Term Simulations of The Full Kelly and Fractional Kelly Investment Strategies (Edward O. Thorp)Edward O. Thorp website (PDF)
- Bayesian Kelly Criterion with Parameter Uncertainty (Sukhov, 2026)SSRN working paper