Модели с нарастающим множителем: оптимальная остановка и инвариантность ожидания

Математическая модель

Модель генерирует случайный множитель \(M \geq 1\). Участник выбирает порог фиксации \(m^*\): если \(M \geq m^*\), он получает \(m^* \cdot s\); если \(M < m^*\), он теряет \(s\).

Распределение множителя

В корректно построенной модели с Edge > 0:

\[ P(M \geq m) = \frac{1 - \text{Edge}}{m} = \frac{\text{RTP}}{m}, \quad m \geq 1. \]

Вероятность «краха» до множителя \(m\):

\[ P(M < m) = 1 - \frac{\text{RTP}}{m}. \]

При \(m = 1\): \(P(M < 1) = 1 - \text{RTP} = \text{Edge}\) — вероятность мгновенного краха, обеспечивающая преимущество оператора.

Свойство «без памяти»

Если множитель уже достиг значения \(m_0\), условная вероятность достижения \(m > m_0\):

\[ P(M \geq m \mid M \geq m_0) = \frac{P(M \geq m)}{P(M \geq m_0)} = \frac{\text{RTP}/m}{\text{RTP}/m_0} = \frac{m_0}{m}. \]

Эта условная вероятность не зависит от Edge — Edge реализуется только через мгновенный крах в начале. После прохождения начальной фазы модель становится «справедливой» в условном смысле.

Теорема об инвариантности ожидания

Ожидание результата при пороге фиксации \(m^*\):

\[ E[\text{результат}(m^*)] = m^* \cdot s \cdot P(M \geq m^*) - s \cdot P(M < m^*). \]

Подставляя распределение:

\[ E = m^* \cdot s \cdot \frac{\text{RTP}}{m^*} - s \cdot \left(1 - \frac{\text{RTP}}{m^*}\right). \]

\[ E = s \cdot \text{RTP} - s + \frac{s \cdot \text{RTP}}{m^*}. \]

Упрощая (учитывая, что возврат — это \(m^* \cdot s\), а не \(m^* \cdot s - s\), т.е. позиция включена в выплату):

\[ E[\text{чистый P\&L}] = m^* \cdot s \cdot \frac{\text{RTP}}{m^*} - s = s(\text{RTP} - 1) = -s \cdot \text{Edge}. \]

Ожидание равно \(-s \cdot \text{Edge}\) при любом пороге \(m^*\).

Порог \(m^*\)	P(фиксация)	Результат при фиксации	E[P&L]
1,20	83,0%	+0,20s	−0,004s
2,00	49,8%	+1,00s	−0,004s
5,00	19,9%	+4,00s	−0,004s
10,00	10,0%	+9,00s	−0,004s
100,00	1,0%	+99,00s	−0,004s

Все строки дают одинаковое ожидание \(-s \cdot \text{Edge}\) (здесь при RTP = 99,6%, Edge = 0,4%). Различается только частота и размер положительных/отрицательных результатов.

Дисперсия: единственное отличие стратегий

Дисперсия результата при пороге \(m^*\):

\[ \text{Var}(m^*) = (m^*)^2 s^2 \cdot \frac{\text{RTP}}{m^*} \cdot \left(1 - \frac{\text{RTP}}{m^*}\right) + s^2 \cdot P(M < m^*) \cdot (1 - P(M < m^*)) + \ldots \]

Упрощённо:

\[ \sigma^2(m^*) \approx s^2 \cdot m^* \cdot \text{RTP} \cdot (1 - \text{RTP}/m^*). \]

Стандартное отклонение растёт с ростом \(m^*\):

Порог \(m^*\)	\(\sigma / s\)	Частота положит. результатов	Характеристика
1,20	≈ 0,45	83% событий	Низкая волатильность. Предсказуемые малые результаты
2,00	≈ 1,00	50% событий	Средняя волатильность
5,00	≈ 2,00	20% событий	Высокая волатильность
10,00	≈ 3,00	10% событий	Очень высокая волатильность
100,00	≈ 10,0	1% событий	Экстремальная волатильность

Выбор порога \(m^*\) — это выбор класса волатильности, а не «стратегия увеличения ожидания». Подробнее — классы волатильности.

Стратегия «частичный вывод»

Вместо полной фиксации при \(m^*\), участник фиксирует долю \(\alpha\) позиции при пороге \(m_1^*\) и оставляет \((1 - \alpha)\) до порога \(m_2^* > m_1^*\).

Формализация

\[ E[\text{P\&L}] = \alpha \cdot s \cdot E[\text{P\&L при } m_1^*]/s + (1-\alpha) \cdot s \cdot E[\text{P\&L при } m_2^*]/s. \]

По теореме об инвариантности:

\[ E[\text{P\&L}] = \alpha \cdot (-s \cdot \text{Edge}) + (1-\alpha) \cdot (-s \cdot \text{Edge}) = -s \cdot \text{Edge}. \]

Частичный вывод не изменяет ожидание. Он создаёт композитный профиль дисперсии:

\[ \sigma^2_{\text{композит}} = \alpha^2 \sigma^2(m_1^*) + (1-\alpha)^2 \sigma^2(m_2^*) + 2\alpha(1-\alpha)\text{Cov}. \]

Пример: 50% при m=2,0 + 50% до краха

Сценарий	Вероятность	Результат
Крах до m=2,0	50,2%	−s (потеря всей позиции)
Фиксация 50% при m=2,0, крах остатка	Зависит от \(m_2^*\)	+0,50·2,0·s/2 − 0,50·s = 0
Фиксация 50% при m=2,0, фиксация остатка при \(m_2^*\)	Зависит от \(m_2^*\)	Прибыль на обеих частях

Ключевое преимущество: при фиксации 50% при m=2,0 участник возвращает начальную позицию. Оставшаяся часть работает как «бесплатная» позиция: любой результат — либо 0, либо положительный. Это психологически привлекательно, но математически не изменяет ожидание.

Агрессивная стратегия: ожидание высоких множителей

Порог \(m^* = 100\): вероятность фиксации ≈ 1%. Для получения хотя бы одного положительного результата за \(n\) событий:

\[ P(\text{хотя бы 1 за } n) = 1 - (1 - 0{,}01)^n = 1 - 0{,}99^n. \]

\(n\) (событий)	P(хотя бы 1)	Потери за ожидание
50	39,5%	50s
100	63,4%	100s
200	86,6%	200s
500	99,3%	500s

Ожидаемое число событий до первого \(m \geq 100\): \(1/0{,}01 = 100\). Ожидаемые потери: \(99 \times s\). Результат при фиксации: \(+99s\). Чистый итог: \(99s - 99s = 0s\) до Edge, или \(-100 \times s \times \text{Edge}\) с учётом Edge. Та же формула.

Автоматическая фиксация: рационально ли?

Функция автоматической фиксации (авто-кэшаут) устраняет задержку реакции \(\Delta t\), в течение которой крах может произойти:

\[ P(\text{крах за } \Delta t \mid M \geq m_0) = 1 - \frac{m_0}{m_0 + \Delta m(\Delta t)}. \]

Автоматизация не изменяет ожидание (оно инвариантно), но снижает операционные риски:

Устраняет задержку интерфейса (100–500 мс).
Устраняет эмоциональные решения (пропуск фиксации из-за жадности).
Обеспечивает точное соблюдение выбранного порога.

Однако автоматизированное поведение может быть обнаружено системами AI-мониторинга (AI-мониторинг).

Верификация модели: Provably Fair

Модели с нарастающим множителем часто используют криптографический протокол Provably Fair для верификации результата:

\[ M = \frac{\text{RTP}}{H(\text{server\_seed}, \text{client\_seed}) \mod N / N}, \]

где \(H\) — HMAC-SHA256. Участник может проверить, что множитель сгенерирован до начала события. Однако верификация подтверждает корректность конкретного результата, а не распределение на малых выборках.

Подробнее — Provably Fair.

Управление капиталом

Правило 250 позиций адаптируется к модели множителя:

\[ s = \frac{K_{\text{session}}}{250}. \]

Для агрессивных стратегий (\(m^* \geq 10\)) необходимый капитал значительно выше из-за длинных серий убытков:

Порог \(m^*\)	Среднее событий до положит. результата	σ (серия до успеха)	Рекомендуемый запас
1,20	1,2	0,5	250 позиций
2,00	2,0	1,4	250 позиций
10,00	10,0	9,5	500+ позиций
100,00	100,0	99,5	1 000+ позиций

При \(m^* = 100\) участнику необходимо выдержать в среднем 100 убытков подряд, с возможными сериями до 200–300. Капитал должен покрывать эти серии. Подробнее — правило 250 позиций.

Миф о «времени между высокими множителями»

Утверждение «множитель ×100 выпадает раз в 20–60 минут» — верно статистически, но бесполезно для прогноза. В силу свойства IID:

\[ P(M_{n+1} \geq 100 \mid M_1, \ldots, M_n) = P(M_{n+1} \geq 100) = \frac{\text{RTP}}{100} \approx 1\%. \]

Время с момента последнего \(M \geq 100\) не влияет на вероятность следующего. Это следствие независимости событий (психология серий).

Выводы

Ожидание инвариантно от порога фиксации: \(E[\text{P\&L}] = -s \cdot \text{Edge}\) при любом \(m^*\). Доказано из распределения \(P(M \geq m) = \text{RTP}/m\).
Выбор \(m^*\) — это выбор волатильности, а не «стратегия». Низкий \(m^*\) → частые малые результаты (σ ≈ 0,45s). Высокий \(m^*\) → редкие крупные (σ ≈ 10s при m*=100).
Частичный вывод не изменяет ожидание — создаёт композитный профиль дисперсии. Психологически привлекателен, математически нейтрален.
Высокий RTP (99,6%) означает Edge = 0,4% — это медленное истощение: потери 1 у.е. за 250 событий при s=1. Но потери неизбежны на дистанции.
Время между высокими множителями не является прогностическим: каждое событие независимо.
Автоматическая фиксация снижает операционные риски (задержка, эмоции), но не влияет на ожидание.

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.