Независимый гайд · Ставки
Критерий Келли, дробный Kelly и риск оценочных ошибок
Краткое руководство с опорой на исследования: что такое критерий Келли, зачем практики используют дробный Kelly и как ошибки в оценке параметров увеличивают риск банкролла — с примерами и мерами предосторожности.

Келли оптимизирует геометрический рост капитала в долгосрочной перспективе, но требует известных параметров; при их оценке plug‑in полный Kelly усиливает вероятность больших просадок. Дробный Kelly и байесовские/регуляризационные корректировки снижают просадки, сохраняя почти тот же рост.
Что такое критерий Келли и когда он оптимален
Критерий Келли выбирает долю ставки, максимизирующую ожидаемый логарифм богатства при повторяющихся независимых ставках. При известных вероятностях и выплатах фракция f* асимптотически максимизирует геометрический рост капитала.
Существуют явные формулы для простых бинарных событий и непрерывных моделей; непрерывная форма в гауссовском приближении даёт f* = μ/σ^2, показывая зависимость от оценки дрейфа и дисперсии. Формула для бинарного случая применима при выполнении предпосылок.
- Оптимум Келли — в долгосрочной логарифмической прибыли.
- Бинарная формула: f* = (p(b+1) − 1)/b.
- Непрерывная форма: f* = μ/σ^2.
- Результат асимптотический и модельно-зависимый.
Дробный Kelly: почему практики уменьшают полную ставку
Полный Kelly даёт сильные колебания и крупные просадки на конечных горизонтах; поэтому практики часто используют долю λ от f* (например, 0.5 или 0.25). Это серьёзно снижает волатильность и максимальные просадки, сохраняя значительную часть долгосрочного роста.
Симуляционные исследования (MacLean/Thorp/Ziemba; Thorp) подтверждают, что дробный Kelly улучшает профиль риска‑прибыли и снижает вероятность «руйнования». Конкретный выбор λ зависит от уверенности в оценках и допустимого уровня риска.
- Дробный Kelly = λ × f*; типичные λ: 0.5 или 0.25.
- Снижает волатильность и максимальную просадку.
- Сохраняет большую часть долгосрочного преимущества.
- Полезен при ограничениях левереджа и шумных оценках.
Почему ошибки оценки усугубляют риски банкролла
Ключевое ограничение Келли — предположение о точном знании параметров. На практике оценки p или μ получаются с ошибками: конечные выборки, смещение и нестабильность. Plug‑in подход, где используется одна точечная оценка, часто приводит к завышению фракции f*.
В результате увеличивается вероятность глубоких просадок и банкротства, а также снижается фактическое ожидаемое логарифмическое приращение капитала. Ошибки в оценке среднего (edge) имеют непропорционально большой эффект на результат.
- Plug‑in полный Kelly редко оправдан при реальных данных.
- Ошибки в оценках повышают риск больших просадок.
- Похибки среднего более опасны, чем похибки дисперсии.
- Фракционный и байесовский Kelly уменьшают эффект переоценки.
Байесовские методы и практические меры защиты
Байесовский Kelly напрямую учитывает неопределённость параметров: апостериорные ожидания или эффективные множители приводят к дроблению f*. Sukhov (2026) формализует этот подход и показывает, как множитель зависит от объёма данных и априорной информации.
Рекомендации для практики: комбинируйте дробный или байесовский sizing с Monte Carlo‑стресс‑тестами, ставьте жёсткие пределы на долю банка и объединённый левередж, учитывайте комиссии и ограничения платформы. Полный Kelly оставляйте как теоретическую границу.
- Байесовский подход даёт корректировки, основанные на неопределённости.
- Sukhov (2026) — источник явных правил для распространённых моделей верований.
- Стресс‑тестируйте учёт ошибок оценки и жирных хвостов.
- Задавайте лимиты по ставке и агрегированному риску.
Что проверить
- Не применяйте plug‑in полный Kelly без высокой уверенности в оценках.
- Рассмотрите дробный Kelly (например, 0.5 или 0.25) при шумных данных.
- Используйте байесовские или регуляризационные корректировки, если доступны.
- Выполняйте Monte Carlo‑стресс‑тесты на сценарии смещения и корреляций.
- Вводите жесткие лимиты на отдельные ставки и суммарный левередж.
Источники
Проверено: . Внешние источники открываются в новой вкладке.
- 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