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.

Ilustração editorial para: Critério de Kelly, Kelly fracionário e risco por erro de estimação

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.

  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
← Mais guias