1. Наблюдение: «неоднородная текстура» результатов
При длительном наблюдении за IID-процессом (например, серией из 1 000 событий с вероятностью положительного исхода \(p = 0{,}25\)) участники замечают паттерн:
- Длинные серии из 20–40 «пустых» событий подряд.
- Затем — концентрация 5–8 положительных результатов на отрезке из 15 событий.
- Ощущение, что система «переключается» между фазами.
Эта субъективная неравномерность — основа популярной метафоры «Chunky Peanut Butter» (масло с кусочками): долгосрочный средний показатель (RTP) выполняется, но локально результаты «комковатые». Вопрос: это управляемые фазы или математическая неизбежность?
2. Лемма Пуассона о группировке (Poisson Clumping Heuristic)
Лемма Пуассона утверждает: в последовательности IID-событий редкие события естественно группируются. Если ожидание числа «успехов» на отрезке длины \(n\) составляет \(\lambda = np\), то:
При \(p = 0{,}03\) (редкий крупный результат) и \(n = 500\) событий, вероятность увидеть хотя бы два крупных результата в пределах 10 событий друг от друга:
Кластеры крупных результатов — статистическая неизбежность, а не признак «дающей фазы».
Следствие: длинные «засухи» столь же неизбежны
Максимальная длина серии из «пустых» событий в \(n\) испытаниях:
При \(p = 0{,}25\), \(n = 1\,000\):
Серия из 24 «пустых» событий — не аномалия, а ожидаемый максимум для выборки из 1 000 событий.
| Вероятность \(p\) | \(n = 500\) | \(n = 1\,000\) | \(n = 5\,000\) |
|---|---|---|---|
| 0,50 (высокая частота) | ~9 | ~10 | ~12 |
| 0,25 (средняя частота) | ~22 | ~24 | ~30 |
| 0,10 (низкая частота) | ~63 | ~66 | ~78 |
| 0,03 (редкие крупные) | ~204 | ~227 | ~264 |
При \(p = 0{,}03\) участник гарантированно столкнётся с серией из ~200+ пустых событий. Это не «холодная фаза» — это математика.
3. Геометрическое распределение времени ожидания
Время ожидания первого положительного результата в IID-системе распределено геометрически:
Для модели с \(p = 0{,}03\) (редкий крупный результат):
Стандартное отклонение почти равно среднему → огромный разброс. Вероятность ожидать более 100 событий:
На каждые ~20 «циклов ожидания» один будет длиться 100+ событий — это нормально для геометрического распределения.
4. Тест серий Вальда-Вольфовица
Чтобы формально отличить «управляемые фазы» от естественной случайности, используется тест серий (Wald-Wolfowitz Runs Test).
Серия (run) — максимальная непрерывная подпоследовательность одинаковых исходов. Для \(n\) событий, из которых \(n_1\) — положительных и \(n_0 = n - n_1\) — пустых:
Тестовая статистика:
Интерпретация
| Значение \(Z\) | Интерпретация | Что это означает |
|---|---|---|
| \(|Z| < 1{,}96\) | Не отвергаем \(H_0\) | Данные согласуются с IID — «фаз» нет |
| \(Z < -1{,}96\) | Слишком мало серий | Возможна группировка (но может быть и случайная) |
| \(Z > +1{,}96\) | Слишком много серий | Чередование слишком частое (антиперсистентность) |
Для любой сертифицированной IID-системы результат теста серий: \(|Z| < 1{,}96\) в 95% случаев. «Кластерность» результатов — ожидаемое поведение IID-процесса, а не отклонение от него.
5. Три заблуждения и их формальное опровержение
Заблуждение 1: «Демо-режим показывает текущую фазу»
Утверждение: наблюдение за N событиями в тестовом режиме позволяет определить «фазу» системы.
Опровержение: В IID-системе результат каждого следующего события не зависит от предыдущих:
Наблюдение за \(N\) событиями даёт ноль информации о результате \((N+1)\)-го. Ни количество положительных результатов в выборке, ни их распределение не влияют на будущее.
Более того, демонстрационный режим и рабочий режим часто используют разные экземпляры ГСЧ, поэтому наблюдаемая последовательность не связана с будущей рабочей последовательностью ни статистически, ни технически.
Заблуждение 2: «После затишья обязательно придёт кластер»
Утверждение: система «компенсирует» длинную серию пустых событий серией положительных.
Опровержение: Это классическое заблуждение о компенсации (психология серий). В IID-системе:
Вероятность не изменилась. RTP «восстанавливается» не через компенсацию, а через разбавление: влияние любой конечной серии исчезает при \(n \to \infty\) (конвергенция RTP).
Заблуждение 3: «Смена модели после серии неудач улучшает шансы»
Утверждение: переключение на другую систему позволяет «попасть» в её благоприятную фазу.
Опровержение: Если обе системы — IID с одинаковым Edge, переключение не изменяет ожидание:
Переключение эквивалентно произвольной перестановке событий из одного IID-процесса — ожидание инвариантно. Единственный эффект: диверсификация дисперсии (σ слегка снижается при разных моделях), но Edge остаётся неизменным.
Подробный анализ тактики ротации — ротация и сегментация капитала.
6. Что «кластерная модель» описывает верно
Несмотря на ошибочные выводы, наблюдение о неравномерности реально. Формализуем то, что в метафоре является корректным:
| Наблюдение | Математическая основа | Ошибочный вывод | Корректный вывод |
|---|---|---|---|
| Результаты «комковатые» | Лемма Пуассона о группировке | Система переключается между фазами | Кластеры — неизбежное свойство IID |
| Бывают длинные «засухи» | Геометрическое распределение \(T\) | Система «холодная» — нужно уходить | Длинные серии пустых — математическая норма |
| После «засухи» иногда идёт кластер | Безусловная случайность | Система «компенсирует» | Совпадение; P(кластер) не зависит от прошлого |
| Капитал нужно рассчитывать на «затишье» | \(E[L_{\max}]\), правило 250 позиций | «Дождаться дающей фазы» | Обеспечить буфер для ожидаемых максимальных серий |
7. Капитальный буфер для кластерной волатильности
Единственная практически полезная рекомендация из «кластерной модели»: капитал должен быть рассчитан на переживание длинных засушливых периодов. Формализуем.
Минимальный буфер (правило максимальной серии)
Если размер позиции — \(s\), а ожидаемая максимальная серия пустых событий — \(E[L_{\max}]\), то минимальный капитал:
| Модель | \(p\) | \(E[L_{\max}]\) при \(n=1000\) | \(K_{\min}/s\) (при \(\alpha=2\)) |
|---|---|---|---|
| Высокочастотная (\(p=0{,}50\)) | 0,50 | ~10 | 20 |
| Среднечастотная (\(p=0{,}25\)) | 0,25 | ~24 | 48 |
| Низкочастотная (\(p=0{,}10\)) | 0,10 | ~66 | 132 |
| Редко-крупная (\(p=0{,}03\)) | 0,03 | ~227 | 454 |
Для высоковолатильных моделей (\(p = 0{,}03\)) требуется капитал на 450+ позиций. Сравните с правилом 250 позиций — оно обеспечивает адекватный запас для систем со средней и высокой частотой, но недостаточно для моделей с экстремально редкими крупными результатами.
Вероятность исчерпания капитала
Вероятность встретить серию длиной \(\geq L\) в \(n\) событиях:
При \(K = 250s\), \(p = 0{,}03\), \(n = 1000\):
Риск минимален, но при \(n = 10\,000\) событий (длительная серия):
Увеличение числа событий линейно увеличивает вероятность столкнуться с экстремальной серией.
8. Практический протокол: что работает, а что — нет
| Рекомендация | Работает? | Почему |
|---|---|---|
| Наблюдать за демо-режимом для определения «фазы» | Нет | IID: прошлое не влияет на будущее; разные экземпляры ГСЧ |
| Менять модель после серии неудач | Нет (для E) | Ожидание инвариантно к перестановке IID-событий |
| Фиксировать результат после крупного положительного события | Да (для дисперсии) | Снижает дисперсию сессии; не влияет на E, но защищает капитал |
| Рассчитывать капитал на \(E[L_{\max}]\) пустых событий | Да | Геометрическое распределение гарантирует длинные серии |
| Устанавливать лимит потерь на сессию | Да (для дисперсии) | Ограничивает правый хвост убытков; не влияет на E |
| Уменьшать позицию при ограниченном капитале | Да | Увеличивает \(K/s\) → увеличивает допустимую длину «засухи» |
Выводы
- Кластеры — свойство случайности, а не «фаз». Лемма Пуассона доказывает: редкие события группируются в любой IID-последовательности.
- Длинные «засухи» — математическая норма. При \(p = 0{,}03\) ожидаемая максимальная серия «пустых» — 227 событий на 1 000.
- Демо-режим и смена модели — ложные тактики. В IID-системе прошлые результаты не содержат информации о будущих. P(результат | история) = P(результат).
- Тест серий Вальда-Вольфовица формально подтверждает: наблюдаемая «кластерность» согласуется с IID-гипотезой (\(|Z| < 1{,}96\)).
- Единственная полезная идея: капитал должен быть рассчитан на переживание ожидаемых длинных серий (\(K_{\min} = s \times E[L_{\max}] \times \alpha\)).
- Фиксация результата и лимиты потерь работают — не через изменение ожидания, а через контроль дисперсии сессии.