Guia independente · Apostas
Critério de Kelly, Kelly fracionário e risco por erro de estimação
Guia sucinta com base em evidências: o que é o critério de Kelly, por que se usa Kelly fracionário e como erros de estimação aumentam o risco do bankroll — com exemplos e salvaguardas práticas.

Kelly maximiza o crescimento geométrico a longo prazo, mas exige parâmetros conhecidos; com estimativas, o Kelly completo (‘plug‑in’) eleva o risco de grandes quedas. Kelly fracionário e ajustes bayesianos/regularizados reduzem drawdowns mantendo a maior parte do crescimento.
O que é o critério de Kelly e quando é ótimo
O critério de Kelly escolhe a fração da banca que maximiza a taxa esperada de crescimento logarítmico da riqueza em apostas repetidas e independentes. Com probabilidades e pagamentos conhecidos, a fração f* é assimptoticamente ótima para o crescimento geométrico.
Há fórmulas fechadas para apostas binárias e uma forma contínua para retornos de portfólio; no caso contínuo com hipótese gaussiana, f* = μ/σ^2, evidenciando sensibilidade às estimativas do retorno médio e da variância.
- Kelly maximiza crescimento geométrico a longo prazo.
- Fórmula binária: f* = (p(b+1) − 1)/b.
- Fórmula contínua (Gauss): f* = μ/σ^2.
- Ótimo é assimptótico e dependente de suposições.
Kelly fracionário: porque reduzir o Kelly completo
O Kelly completo pode gerar grande volatilidade e drawdowns em horizontes finitos, pelo que praticantes frequentemente aplicam uma fração λ de f* (por exemplo, 0.5 ou 0.25). Isso reduz variância e drawdown máximo, mantendo grande parte do crescimento a longo prazo.
Simulações e revisões práticas (MacLean/Thorp/Ziemba; Thorp) mostram que o Kelly fracionário suaviza a curva de capital e diminui a probabilidade de ruína. A escolha de λ depende da confiança nas estimativas e da tolerância ao risco.
- Kelly fracionário = λ × f* (λ típicos: 0.5, 0.25).
- Reduz volatilidade e drawdown máximo.
- Mantém a maior parte do crescimento a longo prazo.
- Indicado diante de limites de alavancagem e estimativas ruidosas.
Como erros de estimação aumentam o risco do bankroll
A validade do Kelly exige conhecer exatamente os parâmetros (p ou μ e variância). Na prática esses parâmetros são estimados com amostras finitas, sujeitas a viés e ruído. O Kelly plug‑in, que usa estimativas pontuais, tende a sobrepor à vantagem real e leva a apostas excessivas.
Consequências: maior probabilidade de drawdowns profundos e maior risco de ruína; além disso a taxa de crescimento logarítmica esperada é taxada pela variância da estimação. Erros na estimativa do edge costumam causar mais prejuízo que erros na variância.
- Kelly plug‑in assume estimativas exatas — raramente verdadeiro.
- Erros de estimação elevam drawdowns e risco de ruína.
- Erros no edge dominam o dano negativo.
- Ajustes fracionários ou bayesianos atenuam sobre‑apostas.
Abordagens bayesianas e salvaguardas práticas
Abordagens bayesianas ponderam a incerteza dos parâmetros: calculam expectativas a posteriori ou multiplicadores efetivos que reduzem a fração recomendada. Trabalhos recentes (Sukhov 2026) fornecem fórmulas explícitas para crenças beta‑binomiais, mostrando como a fração depende do tamanho da amostra e do prior.
Medidas práticas: combine sizing fracionário ou correções bayesianas com testes de estresse Monte Carlo, fixe limites rígidos por aposta e para exposição agregada, e documente hipóteses e tamanhos de amostra. Use Kelly completo apenas como referência teórica.
- Kelly bayesiano fornece multiplicadores dependentes da incerteza.
- Sukhov (2026) apresenta regras explícitas para modelos comuns.
- Stress tests com vieses, correlações e caudas gordas são essenciais.
- Estabeleça limites duros em aposta e alavancagem agregada.
O que verificar
- Não aplique Kelly completo plug‑in sem elevada confiança nas estimativas.
- Use Kelly fracionário (ex.: 0.5 ou 0.25) quando as estimativas forem ruidosas.
- Considere ajustes bayesianos ou de regularização se puder modelar incerteza.
- Realize Monte Carlo com cenários de viés e caudas gordas.
- Imponha limites rígidos por aposta e sobre a exposição total.
Fontes
Revisado: . As fontes externas abrem em uma nova aba.
- 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