Фундаментальная теорема: невозможность преодоления отрицательного ожидания
Прежде чем анализировать конкретные модели, сформулируем центральное утверждение.
Формулировка
Пусть \( X_1, X_2, \ldots, X_n \) — последовательность результатов участия в системе с любой стратегией управления размером позиции \( s_i \geq 0 \). Если математическое ожидание одного события отрицательно:
то ожидание суммарного результата за \( n \) событий также отрицательно:
Следствие: стратегия не меняет ожидание
Линейность математического ожидания гарантирует: никакое перераспределение размеров позиции между событиями не может превратить отрицательную сумму в положительную. Мартингейл, Даламбер, Фибоначчи, фиксированная доля — все стратегии подчиняются этому принципу. Стратегия влияет на дисперсию (разброс результатов), но не на ожидание.
Классификация вероятностных моделей
Для корректного сравнения стратегий необходимо различать типы моделей по ключевому признаку — влияет ли участник на ожидание.
| Тип модели | Влияние участника | Типичный RTP | Edge оператора |
|---|---|---|---|
| A. Высоковолатильная (независимая) | Отсутствует | 92–97% | 3–8% |
| B. Дискретная с N исходами | Выбор покрытия (не влияет на E) | 94,74–98,65% | 1,35–5,26% |
| C. С зависимыми событиями | Решения участника изменяют E | До 99,8% | 0,2–2% |
| D. «Продолжить/остановиться» | Выбор момента фиксации | 95–99,6% | 0,4–5% |
Тип A: высоковолатильные независимые модели
В этих системах участник не принимает решений, влияющих на исход (подробнее — ГСЧ и волатильность).
Механика ГСЧ и независимость
Результат определяется криптографическим ГСЧ на сервере провайдера в момент инициации события:
Визуальная анимация — презентационная надстройка. Элементы «ручной остановки» или выбора не влияют на результат, который уже определён (подробнее — AI-мониторинг и иллюзия контроля).
Стратегии: только управление капиталом
Поскольку участник не влияет на \( E \), единственный доступный инструмент — структурирование сессии:
- Фиксированные серии (n = 5): 5 событий на одной модели → оценка → переход. Предотвращает «зацикливание» на одной модели в период высокой дисперсии.
- Сегментация капитала: \( K = m \cdot k \), где каждый сегмент \( k \) — независимая микро-сессия.
Выбор модели с максимальным RTP — единственный рычаг минимизации Edge. Разница между RTP 92% и 97%:
Участник теряет капитал в 2,67 раза быстрее в модели с RTP 92% по сравнению с моделью RTP 97%.
Тип B: дискретные модели с N равновероятными исходами
Участник выбирает подмножество из \( N \) исходов (подробнее — Покрытие пространства событий).
Инвариантность ожидания от покрытия
Ключевой результат: ожидание убытка не зависит от числа покрытых исходов \( n \):
где \( k \) — число «нулевых» исходов (преимущество оператора), \( s \) — суммарный размер позиции. Покрытие 1 из 37 или 25 из 37 исходов — убыток идентичен.
Покрытие влияет на дисперсию
Чем больше исходов покрыто, тем чаще положительные результаты, но тем меньше их размер:
При покрытии 67% пространства (25 из 37 исходов) участник получает положительный результат в ~68% событий, что создаёт иллюзию прибыльности. Но математическое ожидание остаётся отрицательным.
Сравнение моделей
| Модель | N | k | Edge | Особенность |
|---|---|---|---|---|
| Модель A (с возвратом) | 37 | 1 | 1,35% | Частичный возврат при нулевом исходе |
| Модель B (стандартная) | 37 | 1 | 2,70% | Без возврата |
| Модель C (расширенная) | 38 | 2 | 5,26% | Два нулевых исхода |
Модель A с Edge 1,35% — оптимальный выбор среди дискретных систем.
Тип C: системы с зависимыми событиями
Единственный тип, где решения участника реально изменяют математическое ожидание (подробнее — Оптимальные решения).
Оптимальная таблица решений
Для каждого состояния системы \( S \) и каждого доступного действия \( a \) существует оптимальный выбор:
Следование оптимальной таблице снижает Edge оператора до минимума (0,2–0,5%). Отклонение от таблицы увеличивает Edge до 2–5%.
Мониторинг состава выборки
В системах, где состав оставшихся элементов влияет на вероятности, участник может отслеживать изменения и определять моменты временного положительного ожидания:
Однако AI-системы мониторинга операторов отслеживают корреляцию размера позиции с состоянием системы (подробнее — AI-мониторинг), что ограничивает практическую применимость.
Тип D: модели «продолжить/остановиться»
Участник выбирает момент фиксации нарастающего мультипликатора (подробнее — Задача оптимальной остановки).
Стратегия минимального мультипликатора
Фиксация при \( m = 1{,}2 \times \). Вероятность успеха:
Ожидание: \( E = s \cdot (0{,}83 \times 1{,}2 - 1) = s \cdot (-0{,}004) \). Минимальный Edge (~0,4%), максимальная частота положительных исходов. Медленный, но устойчивый темп убытков.
Стратегия половинной фиксации
При \( m = 2{,}0\times \) участник фиксирует 50% позиции (возвращая начальный капитал), остальные 50% остаются для попытки достичь мультипликаторов 10× или 50×. Это снижает дисперсию, но не меняет ожидание.
Критерий продолжения
Участнику выгодно продолжать, пока:
где \( p_{t+1} \) — вероятность успеха на следующем шаге, \( m_{t+1} \) — предлагаемый мультипликатор.
Сводная таблица: стратегии vs типы моделей
| Стратегия | Тип A | Тип B | Тип C | Тип D |
|---|---|---|---|---|
| Выбор модели с макс. RTP | ✓ Единственный рычаг | ✓ Модель A vs C | ✓ Всегда | ✓ Сравнить Edge |
| Оптимальная таблица решений | ✗ Нет решений | ✗ Нет влияния на E | ✓ Критично | ✓ Критерий p·m>1 |
| Мониторинг состава | ✗ Независимые события | ✗ Независимые | ✓ TC≥+2 | ✗ Независимые |
| Фиксированные серии (n=5) | ✓ | ✓ | ○ Ограниченно | ✓ |
| Сегментация капитала | ✓ | ✓ | ✓ | ✓ |
| Правило 50/50 | ✓ | ✓ | ✓ | ✓ |
| Демо-моделирование | ✓ Оценка волатильности | ○ Мало пользы | ✓ Тренировка таблиц | ✓ Калибровка порога |
Демо-моделирование как инструмент калибровки
Демо-режим (моделирование без реального капитала) — единственный способ оценить характеристики модели без риска:
- Оценка волатильности: 100–200 событий в демо-режиме дают представление о типичном диапазоне отклонений.
- Калибровка порога остановки: для моделей типа D — определение оптимального мультипликатора фиксации.
- Тренировка таблиц решений: для моделей типа C — доведение до автоматизма, чтобы избежать ошибок под давлением.
Демо-моделирование использует тот же ГСЧ, что и реальный режим, поэтому статистические характеристики идентичны.
Мошеннические схемы: сводка
Популярность запросов о стратегиях оптимизации привлекает мошенников. Классификация:
| Тип схемы | Механизм | Почему не работает |
|---|---|---|
| «Предикторы» | Программы, обещающие предсказать ГСЧ | ГСЧ на защищённых серверах, CSPRNG криптографически непредсказуем |
| Сплит-группы | Противоположные «сигналы» двум половинам аудитории | Ошибка выжившего: «точная» половина видна, «ошибочная» — молчит |
| Wallet-drainers | Запрос подключения кошелька для «верификации» | Поддельные смарт-контракты с функцией approve на ∞ |
| Синтетические видео | Нейросетевые подделки с участием известных лиц | Создаются за минуты, не имеют отношения к реальным персонам |
Главный вывод: парадигма рационального участника
Рациональный участник вероятностных систем руководствуется тремя принципами:
- Бюджетирование: капитал на сессию — это фиксированная сумма, потеря которой не влияет на финансовую стабильность. Это затраты на получение опыта и изучение моделей, а не «инвестиция с ожиданием прибыли».
- Оптимизация в пределах возможного: выбор модели с максимальным RTP, следование оптимальным таблицам решений (где применимо), структурирование сессии (250 позиций, сегментация, лимиты).
- Защита от мошенничества: отвергать любые «гарантированные» схемы, не подключать кошельки к непроверенным приложениям, верифицировать информацию из нескольких источников.