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.

Ilustración editorial para: Criterio de Kelly, Kelly fraccionario y riesgo por errores de estimación

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.

  1. A New Interpretation of Information Rate (Kelly, 1956)Bell System Technical Journal (scan/PDF)
  2. 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)
  3. Medium Term Simulations of The Full Kelly and Fractional Kelly Investment Strategies (Edward O. Thorp)Edward O. Thorp website (PDF)
  4. Bayesian Kelly Criterion with Parameter Uncertainty (Sukhov, 2026)SSRN working paper
← Más guías