Guide indépendant · Paris
Critère de Kelly, Kelly fractionnaire et risque d’erreur d’estimation
Guide synthétique fondé sur des sources primaires : qu’est‑ce que le critère de Kelly, pourquoi utiliser un Kelly fractionnaire et comment les erreurs d’estimation augmentent le risque de portefeuille — avec exemples et précautions.

Kelly maximise la croissance géométrique à long terme mais suppose des paramètres connus ; en pratique, l’utilisation du Kelly complet avec des paramètres estimés (plug‑in) accroît le risque de fortes baisses. Les versions fractionnaires et bayésiennes offrent des régularisations qui réduisent les drawdowns tout en préservant l’essentiel de la croissance.
Qu’est‑ce que le critère de Kelly et quand il est optimal
Le critère de Kelly choisit la part du capital qui maximise le taux de croissance logarithmique attendu de la richesse pour des paris répétés et indépendants. Dans le cas de probabilités et paiements connus, la fraction f* est asymptotiquement optimale pour la croissance géométrique.
Il existe des formes fermées pour le cas binaire et une forme continue pour un modèle de rendement de portefeuille ; en approximation gaussienne, f* = μ/σ^2, ce qui met en évidence la sensibilité aux estimations de la moyenne et de la variance.
- Kelly maximise la croissance géométrique à long terme.
- Formule binaire : f* = (p(b+1) − 1)/b.
- Formule continue (Gauss) : f* = μ/σ^2.
- Optimalité asymptotique et dépendante des hypothèses.
Kelly fractionnaire : pourquoi réduire le Kelly complet
Le Kelly complet peut produire de fortes fluctuations et d’importantes baisses temporaires sur des horizons finis ; c’est pourquoi les praticiens appliquent souvent une fraction λ de f* (par ex. 0,5 ou 0,25). Le Kelly fractionnaire réduit la variance et la baisse maximale tout en conservant une large part du rendement à long terme.
Des simulations et revues pratiques (MacLean/Thorp/Ziemba ; Thorp) montrent que le Kelly fractionnaire lisse la courbe de capital et réduit la probabilité de ruine. Le choix de λ dépend de la confiance dans les estimations et de la tolérance au risque.
- Kelly fractionnaire = λ × f* (λ usuels : 0,5, 0,25).
- Réduit la volatilité et le drawdown maximal.
- Conserve l’essentiel de la croissance à long terme.
- Adéquat face aux limites de levier et estimations bruyantes.
Comment les erreurs d’estimation augmentent le risque
La validité du critère de Kelly suppose la connaissance exacte des paramètres (p ou μ et variance). En pratique, ces paramètres sont estimés à partir d’échantillons finis et peuvent être biaisés ou bruités. Le Kelly plug‑in, qui remplace les paramètres par des estimations ponctuelles, a tendance à surestimer l’avantage réel et donc la taille de la mise.
Cela entraîne une probabilité plus élevée de baisses profondes et de ruine, et une réduction de la croissance logarithmique attendue due à la variance d’estimation. Les erreurs sur l’estimation de l’edge affectent de façon disproportionnée le résultat.
- Le Kelly plug‑in suppose des estimations exactes — rarement le cas.
- Les erreurs d’estimation augmentent le drawdown et la ruine.
- Les erreurs sur la moyenne/edge pèsent plus que celles sur la variance.
- Les ajustements fractionnaires ou bayésiens réduisent la sur‑mise.
Approches bayésiennes et protections pratiques
Les variantes bayésiennes du Kelly intègrent l’incertitude des paramètres : elles utilisent des espérances a posteriori ou un multiplicateur effectif pour réduire f*. Des travaux récents (Sukhov 2026) donnent des formules explicites pour croyances beta‑binomiales et montrent comment le multiplicateur varie selon la taille d’échantillon et le prior.
Mesures pratiques : combinez sizing fractionnaire ou corrections bayésiennes avec des stress‑tests Monte Carlo, imposez des limites fermes par pari et sur l’exposition agrégée, et documentez hypothèses et tailles d’échantillons. Considérez le Kelly complet comme un repère théorique seulement.
- Le Kelly bayésien fournit des ajustements liés à l’incertitude.
- Sukhov (2026) propose des règles explicites pour des modèles usuels.
- Stress tests avec biais, corrélations et queues épaisses recommandés.
- Imposez des plafonds sur mise et levier agrégé.
Liste de vérification pratique
- Ne pas appliquer le Kelly complet plug‑in sans forte confiance dans les estimations.
- Privilégier un Kelly fractionnaire (p. ex. 0,5 ou 0,25) si les estimations sont bruyantes.
- Envisager une correction bayésienne ou une régularisation si vous pouvez formuler un prior.
- Effectuer des stress tests Monte Carlo avec scénarios de biais et queues lourdes.
- Mettre des limites strictes sur la mise par pari et l’exposition totale.
Sources et lectures complémentaires
Vérifié: . Les sources externes s'ouvrent dans un nouvel onglet.
- 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