Стратегии покрытия пространства событий и сравнительный анализ моделей

Введение: модели с дискретным пространством и равновероятными исходами

Рассмотрим класс вероятностных систем, в которых пространство состоит из \( N \) дискретных равновероятных исходов, причём \( k \) из них принадлежат оператору (нулевые исходы). Участник размещает позицию на произвольном подмножестве оставшихся \( N - k \) исходов. Вероятность каждого исхода:

\[ P(\text{исход } i) = \frac{1}{N}, \quad i = 1, \ldots, N \]

Преимущество оператора определяется количеством нулевых исходов:

\[ \text{Edge} = \frac{k}{N} \]

1. Сравнительный анализ моделей

Три наиболее распространённые конфигурации:

Модель A: N = 37, k = 1 с правилом частичного возврата

Один нулевой исход из 37. При наступлении нулевого исхода и позиции на равновероятных подмножествах (50/50) участнику возвращается 50% позиции. Эффективный Edge:

\[ \text{Edge}_A = \frac{1}{2} \cdot \frac{1}{37} = \frac{1}{74} \approx 1{,}35\% \quad (\text{RTP} \approx 98{,}65\%) \]

Модель B: N = 37, k = 1 (без правила возврата)

\[ \text{Edge}_B = \frac{1}{37} \approx 2{,}70\% \quad (\text{RTP} \approx 97{,}30\%) \]

Модель C: N = 38, k = 2

Два нулевых исхода из 38:

\[ \text{Edge}_C = \frac{2}{38} = \frac{1}{19} \approx 5{,}26\% \quad (\text{RTP} \approx 94{,}74\%) \]

Сравнительный расчёт. Капитал \( K_0 = 10\,000 \), размер позиции 50, серия из 2000 событий:

Модель	Edge	RTP	Ожидаемый убыток	% от капитала
A (возврат)	1,35%	98,65%	1 350	13,5%
B (стандартная)	2,70%	97,30%	2 700	27,0%
C (двойной ноль)	5,26%	94,74%	5 260	52,6%

Модель C потребляет капитал почти в 4 раза быстрее, чем модель A. Выбор модели — первый и наиболее значимый шаг оптимизации.

2. Стратегии покрытия пространства событий

Участник может распределять позицию по различному количеству исходов. Рассмотрим математику покрытия.

Покрытие подмножества размера \( n \) из \( N \)

Вероятность положительного исхода при покрытии \( n \) исходов:

\[ P(\text{успех}) = \frac{n}{N} \]

Выплата при успехе (при равномерном распределении позиции):

\[ \text{Payout} = s \cdot \frac{N - k}{n} \]

Математическое ожидание:

\[ E = P(\text{успех}) \cdot \text{Payout} - s = s \cdot \frac{n}{N} \cdot \frac{N - k}{n} - s = s \cdot \frac{N - k}{N} - s = -s \cdot \frac{k}{N} \]

Ключевой вывод: математическое ожидание не зависит от степени покрытия \( n \). Покрытие 1 исхода или 25 из 37 — ожидаемый убыток одинаков и равен \( s \cdot \text{Edge} \).

Что меняет покрытие?

Покрытие влияет на дисперсию, а не на ожидание:

\[ \text{Var}(X) = s^2 \cdot \frac{n}{N} \cdot \left(\frac{N-k}{n} - 1\right)^2 + s^2 \cdot \frac{N - n}{N} \cdot 1^2 \]

Малое покрытие (1–2 исхода): редкие, но крупные положительные результаты. Высокая дисперсия.
Большое покрытие (25+ исходов): частые, но мелкие положительные результаты. Низкая дисперсия.

Пример: покрытие 25 из 37 исходов. Модель B (\( N = 37, k = 1 \)):

\( P(\text{успех}) = 25/37 \approx 67{,}6\% \)
Позиция: \( s = 37 \) единиц, распределённая следующим образом: 25 единиц на подмножество A (19 исходов), 10 единиц на подмножество B (6 исходов), 2 единицы на нулевой исход.
Исходы: в ~67,6% случаев — положительный результат; в ~32,4% — убыток.
\( E = -37 \cdot \frac{1}{37} = -1 \) единица за событие (всё тот же Edge = 2,7%).

Покрытие 67,6% пространства создаёт иллюзию частых побед, маскируя устойчивый отрицательный тренд.

3. Заблуждение о «памяти» системы

Одно из наиболее распространённых когнитивных искажений: убеждение, что серия одинаковых исходов увеличивает вероятность противоположного исхода. Подробный анализ — в статье Психология серий.

Формальное доказательство независимости

Пусть событие A = «исход X наступает в текущем событии». Для ГСЧ:

\[ P(A_{n+1} \mid A_n, A_{n-1}, \ldots, A_1) = P(A_{n+1}) = \frac{1}{N} \]

Даже после 10 000 последовательных наступлений исхода X, вероятность исхода Y в следующем событии остаётся \( 1/N \). Это следствие определения независимости в теории вероятностей.

Серийная вероятность

Вероятность серии из \( m \) одинаковых исходов:

\[ P(\text{серия из } m) = \left(\frac{1}{N}\right)^{m-1} \cdot P(\text{первый исход}) = \left(\frac{1}{N}\right)^m \]

Каждый шаг серии маловероятен a priori (до начала серии). Но условная вероятность следующего шага, когда предыдущие \( m-1 \) уже произошли, по-прежнему равна \( 1/N \). Путаница между этими двумя вероятностями — корень заблуждения.

4. Прогрессивные стратегии: формальный анализ

Подробный анализ мартингейла и анти-мартингейла — в статье Мартингейл и анти-мартингейл. Здесь рассмотрим дополнительные стратегии.

Линейная прогрессия Даламбера

\[ s_{n+1} = \begin{cases} s_n + \Delta & \text{при убытке} \\ \max(s_{\min},\; s_n - \Delta) & \text{при прибыли} \end{cases} \]

Средний размер позиции при длинной серии стремится к \( s_{\min} + \frac{\Delta}{2p - 1} \) (при \( p > 0{,}5 \)). При \( p \leq 0{,}5 \) средний размер неограниченно растёт.

Последовательность Фибоначчи

Размер позиции определяется числами Фибоначчи: 1, 1, 2, 3, 5, 8, 13, 21… После убытка — переход на следующее число, после прибыли — возврат на два числа назад:

\[ F_n = F_{n-1} + F_{n-2}, \quad F_1 = F_2 = 1 \]

Скорость роста позиции:

\[ F_n \approx \frac{\varphi^n}{\sqrt{5}}, \quad \varphi = \frac{1 + \sqrt{5}}{2} \approx 1{,}618 \]

Рост медленнее, чем у мартингейла (\( 2^n \)), но всё равно экспоненциальный. При длинной серии убытков капитал исчерпывается.

Диверсифицированное покрытие (67%)

Распределение позиции по подмножествам, покрывающим ~67% пространства. Увеличивает частоту положительных исходов, снижает дисперсию, но не изменяет ожидание. Как показано в разделе 2, Edge остаётся постоянным независимо от \( n \).

5. Управление капиталом

Правило 250 позиций

\[ K_{\text{session}} \geq 250 \cdot s \]

Лимиты убытка и прибыли

\[ K_{\text{stop}} = K_0 \cdot (1 - L), \quad K_{\text{target}} = K_0 \cdot (1 + G) \]

Правило фиксации (50/50)

При \( K \geq 2K_0 \): фиксация \( K_0 \), участие только на \( \Delta K = K - K_0 \).

6. Мошеннические схемы

В мессенджерах и социальных сетях распространены предложения «предикторов» для систем с дискретным пространством. Все они — мошенничество:

ГСЧ работает на защищённых серверах. Внешнее вмешательство технически невозможно (подробнее — ГСЧ и волатильность).
Сфабрикованные скриншоты — недоказуемые «доказательства» работоспособности.
Синтетические видеоматериалы (дипфейки) — нейросетевые подделки для создания иллюзии достоверности.

Выводы

Выбор модели с минимальным Edge — первый и наиболее значимый шаг. Разница между моделями A (1,35%) и C (5,26%) — почти четырёхкратная скорость убытков.
Степень покрытия не влияет на ожидание. Покрытие 1 исхода или 25 из 37 даёт одинаковый ожидаемый убыток \( s \cdot \text{Edge} \). Покрытие влияет только на дисперсию.
Система не имеет «памяти». Условная вероятность следующего исхода не зависит от предыдущих. Путаница между априорной и условной вероятностью — корень заблуждения о сериях.
Прогрессивные стратегии (мартингейл, Даламбер, Фибоначчи) не изменяют знак ожидания. Все они подвержены риску исчерпания капитала при длинных сериях убытков.
Управление капиталом (250 позиций, лимиты, фиксация 50/50) — единственный инструмент рационального участника.

Предупреждение о рисках: Все материалы на данном сайте носят исключительно образовательный и информационный характер. Они не являются руководством к действию, финансовой рекомендацией или побуждением к участию в какой-либо деятельности. Любые решения в условиях неопределённости сопряжены с рисками, включая полную потерю капитала.

Стратегии покрытия пространства событий и сравнительный анализ моделей с различным преимуществом оператора