Незалежний путівник · Ставки

Kelly-критерій, дробовий Kelly і ризик через помилки оцінки

Короткий доказово обґрунтований посібник: що таке Kelly‑критерій, чому практики використовують дробовий Kelly і як похибки оцінювання підвищують ризик банкролу — з прикладами й правилами безпеки.

Редакційна ілюстрація до матеріалу: Kelly-критерій, дробовий Kelly і ризик через помилки оцінки

Kelly максимізує геометричне зростання капіталу в довгому періоді, але потребує точних параметрів; при оцінюванні ймовірностей або доходностей повний Kelly підсилює ризики. Дробовий Kelly та байєсові/регуляризовані підходи знижують просідання, зберігаючи більшу частину довгострокового зростання.

Що таке Kelly‑критерій і коли він оптимальний

Kelly‑критерій вибирає частку ставки, що максимізує очікуване логарифмічне зростання багатства при повторюваних незалежних ставках. Це асимптотична оптимальність: за відомих ймовірностей і виплат фракція f* дає максимальну довгострокову швидкість зростання.

Існують прості формули для бінарних ставок і неперервної (портфельної) форми; остання в наближенні Гаусса дає f* = μ/σ^2, що підкреслює чутливість до оцінок дрейфу і дисперсії. Формулою для бінарного випадку користуйтеся лише коли виконуються припущення моделі.

  • Kelly максимізує довгостроковий логарифмічний приріст.
  • Бінарна формула: f* = (p(b+1) − 1)/b.
  • Континуальний набір: f* = μ/σ^2.
  • Оптимальність асимптотична — важать припущення моделі.

Дробовий Kelly: навіщо зменшувати повний Kelly

Повний Kelly може давати великі флуктуації і глибокі просідання у реальних горизонтах. Прак tики часто множать f* на λ (наприклад, 0.5 або 0.25) — це значно знижує волатильність і максимальні просідання при збереженні суттєвої частки довгострокового зростання.

Емпіричні симуляції (MacLean/Thorp/Ziemba; Thorp) показують, що дробовий Kelly робить криву капіталу більш «гладкою» і зменшує ймовірність руйнування. Вибір λ залежить від впевненості в оцінках, горизонту та толерантності до ризику.

  • Дробовий Kelly = λ × f*; типові λ: 0.5, 0.25.
  • Суттєво знижує волатильність і max drawdown.
  • Зберігає більшу частину довгострокового зростання.
  • Підходить при обмеженнях левереджу і невпевненості оцінок.

Чому помилки оцінки підвищують ризик банкролу

Kelly передбачає точні знання параметрів (p або μ, і дисперсії). На практиці ці величини оцінюються на кінцевій вибірці і можуть бути упередженими або шумними. Plug‑in Kelly, що підставляє точкові оцінки, зазвичай переоцінює справжню перевагу і веде до надмірних ставок.

Наслідки: вища ймовірність глибоких просідань і ризику «руйнування», а також зниження очікуваного логарифмічного зростання через дисперсію оцінки. Оскільки Kelly масштабно залежить від оцінки середнього, помилки в середньому завдають найбільшої шкоди.

  • Plug‑in повний Kelly припускає відсутність похибки — практично нереально.
  • Помилки оцінки збільшують шанс великих просідань і руйнацій.
  • Помилки середнього/edge важливіші за помилки дисперсії.
  • Дробовий і байєсівський Kelly компенсують надмірні ставки.

Байєсові підходи і практичні запобіжні заходи

Байєсові версії Kelly враховують невизначеність параметрів прямо: використовують апостеріорні очікування або множники ефективної вибірки для зменшення f*. Недавні роботи (Sukhov 2026) показують формули для бета‑біномних уявлень і як множник залежить від розміру вибірки й сили апріорі.

Практичні заходи: комбінуйте дробування або байєсові корекції зі стрес‑тестами (Monte Carlo), встановлюйте жорсткі обмеження на частки і агрегований левередж, документуйте припущення. Повний Kelly використовуйте лише як орієнтир.

  • Байєсовий Kelly дає принципову фракційну корекцію згідно непевності.
  • Sukhov (2026) дає явні правила для бета‑біномних переконань.
  • Стрес‑теcтуйте з урахуванням похибки, кореляцій та жирних хвостів.
  • Встановіть жорсткі ліміти експозиції та докуменуйте методи.

Що перевірити

  • Не застосовуйте повний plug‑in Kelly без високої впевненості в оцінках.
  • Використовуйте дробовий Kelly (наприклад, 0.5 або 0.25) при шумних оцінках.
  • Розгляньте байєсівське зваження чи регуляризацію за доступності даних.
  • Проведіть Monte Carlo‑стрес‑тестування для ризиків оцінки й сценаріїв.
  • Установіть жорсткі обмеження на одну ставку та агрегований левередж.

Джерела

Перевірено: . Зовнішні джерела відкриваються в новій вкладці.

  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
← Інші матеріали