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.

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.
- 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