Bağımsız rehber · Bahis
Kelly kriteri, kesirli Kelly ve tahmin hatalarının banka riskini artırması
Kanıta dayalı kısa rehber: Kelly kriteri nedir, neden kesirli Kelly kullanılır ve tahmin hatalarının banka rizikosunu nasıl artırdığı — örnekler ve pratik önlemlerle.

Kelly, uzun vadede geometrik büyümeyi maksimize eder fakat parametrelerin bilindiğini varsayar; parametreler tahmin edildiğinde plug‑in tam Kelly aşırı risk alır. Kesirli Kelly ve Bayesci/şrinkaj düzeltmeleri, çekilmeleri azaltıp büyümenin çoğunu korur.
Kelly kriteri nedir ve ne zaman optimaldir
Kelly kriteri, tekrarlanan bağımsız bahislerde servetin beklenen logaritmik büyüme hızını maksimize eden bahis payını seçer. Parametreler (olasılıklar ve ödemeler) biliniyorsa f* asimptotik olarak geometrik büyümeyi maksimize eder.
Basit ikili bahisler için kapalı formül ve sürekli/portföy formu vardır; sürekli formda (Gauss yaklaşımı) f* = μ/σ^2 olur, bu da beklenen getiri (drift) ve volatilite tahminlerine duyarlılığı gösterir.
- Kelly uzun vadede log büyümeyi maksimize eder.
- İkili formül: f* = (p(b+1) − 1)/b.
- Sürekli form: f* = μ/σ^2.
- Optimalite asimptotik ve modele bağlıdır.
Kesirli Kelly: neden tam Kelly azaltılır
Tam Kelly, sınırlı veya orta vadede büyük oynaklıklar ve derin düşüşler üretebilir; bu yüzden uygulayıcılar genellikle f*'i λ ile çarpar (örneğin λ=0.5 veya 0.25). Kesirli Kelly, varyansı ve maksimum düşüşü önemli ölçüde düşürürken uzun vadeli büyümenin çoğunu korur.
Simülasyon ve pratik incelemeler (MacLean/Thorp/Ziemba; Thorp) kesirli Kelly'nin sermaye eğrisini düzleştirdiğini ve çökme olasılığını azalttığını gösterir. λ seçimi, tahmin güvenine ve risk toleransına bağlıdır.
- Kesirli Kelly = λ × f*; yaygın λ: 0.5, 0.25.
- Varyansı ve max drawdown'ı azaltır.
- Uzun vadeli büyümenin büyük kısmını korur.
- Gürültülü tahminler ve kaldıraç sınırları için uygundur.
Tahmin hataları banka riskini nasıl artırır
Kelly'nin geçerliliği parametrelerin (p veya μ ve varyans) kesin olarak bilinmesine dayanır. Gerçek dünyada bu parametreler sınırlı veriden tahmin edilir; sapma, gürültü ve kararsızlık olabilir. Plug‑in yaklaşımı (tek nokta tahmin kullanmak) genelde avantajı abartır ve fazla bahis koymaya yol açar.
Bunların sonucu olarak daha yüksek derin düşüş olasılığı, ruin riski ve tahmin varyansı nedeniyle beklenen logaritmik büyümede düşüş görülür. Ortalama/edge tahminindeki hatalar özellikle zararlı etkiye sahiptir.
- Plug‑in tam Kelly pratikte nadiren savunulabilir.
- Tahmin hataları drawdown ve ruin olasılığını artırır.
- Edge hataları varyans hatalarından daha zararlıdır.
- Kesirli veya Bayesci Kelly bu aşırı bahis etkisini azaltır.
Bayesci yaklaşımlar ve pratik önlemler
Bayesci Kelly belirsizliği açıkça hesaba katar: aposteriori beklentiler veya efektif çarpanlar ile f* küçültülür. Son dönemdeki çalışmalar (Sukhov 2026) beta‑binom modelleri için kapalı formlar sunar ve çarpanın örnek büyüklüğü ile aprior gücüne nasıl bağlı olduğunu gösterir.
Pratik önlemler: kesirli veya Bayesci sizing'i Monte Carlo stres testleriyle birleştirin, bahis başına ve toplam maruz kalma için sert limitler koyun, komisyon ve likidite kısıtlarını hesaba katın. Tam Kelly'yi yalnızca teorik sınır olarak kullanın.
- Bayesci Kelly belirsizliğe dayalı mantıklı çarpanlar üretir.
- Sukhov (2026) yaygın inanç modelleri için açık kurallar sunar.
- Monte Carlo stres testleri ve senaryolar önemlidir.
- Bahis başına ve toplam kaldıraç için sert limitler koyun.
Neyi kontrol etmeli
- Tahminlere yüksek güveniniz yoksa plug‑in tam Kelly uygulamayın.
- Gürültülü tahminlerde kesirli Kelly (örn. 0.5 veya 0.25) kullanın.
- Eğer mümkünse tahmin belirsizliğini modelleyin ve Bayesci düzeltmeleri düşünün.
- Monte Carlo ile sapma, korelasyon ve kalın kuyruk senaryolarını test edin.
- Tek bahis ve toplam pozisyon için sert limitler belirleyin.
Kaynaklar
Kontrol edildi: . Harici kaynaklar yeni sekmede açılır.
- 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