Что делает систему «зависимой»
В IID-системах каждое событие генерируется независимо от предыдущих (IID vs компенсированные). В зависимых системах элементы извлекаются без возвращения из конечного набора:
Каждое извлечение изменяет состав оставшегося набора → изменяет вероятности → создаёт информационное преимущество для того, кто отслеживает состав.
Формализация через MDP
Марковский процесс принятия решений (MDP) определяется кортежем \((\mathcal{S}, \mathcal{A}, P, R, \gamma)\):
| Компонент | В контексте зависимой системы |
|---|---|
| \(\mathcal{S}\) — множество состояний | Текущая конфигурация участника + видимый элемент оператора + оценка состава оставшегося набора |
| \(\mathcal{A}\) — множество действий | {Запросить элемент, Остановиться, Удвоить позицию, Разделить конфигурацию} |
| \(P(s' \mid s, a)\) — функция переходов | Вероятность нового состояния при действии \(a\) в состоянии \(s\), зависящая от состава набора |
| \(R(s, a)\) — награда | Выплата при достижении терминального состояния |
| \(\gamma\) — дисконтирование | \(\gamma = 1\) (конечный горизонт) |
Оптимальная политика
Оптимальная политика \(\pi^*\) максимизирует ожидаемый возврат из каждого состояния:
Решение (уравнение Беллмана) даёт таблицу оптимальных решений — для каждой комбинации (конфигурация участника, видимый элемент оператора) указывается оптимальное действие.
При точном следовании \(\pi^*\) Edge оператора снижается до минимального значения:
Таблица оптимальных решений — подробнее в оптимальные решения.
Мониторинг состава: достаточная статистика
Полное состояние набора — вектор \(\mathbf{c} = (c_1, c_2, \ldots, c_{10})\), где \(c_i\) — число оставшихся элементов номинала \(i\). Размерность: \(10^6+\) возможных комбинаций для стандартного набора из 6 × 52 элементов.
Сжатие информации: Hi-Lo
Вместо полного вектора \(\mathbf{c}\) используется скалярная проекция — текущий счёт (Running Count, RC):
Высокий RC → в наборе осталось больше крупных элементов → вероятности смещены в пользу участника. Низкий RC → в пользу оператора.
Истинный счёт (True Count)
Нормализация на число оставшихся поднаборов:
где \(D_{\text{remaining}}\) — число оставшихся поднаборов (52 элемента каждый). TC — достаточная статистика для оценки Edge:
где \(\text{Edge}_0 \approx 0{,}5\%\) — Edge при оптимальной политике и полном наборе.
Положительное ожидание: когда?
При \(\text{TC} > +1\) ожидание временно становится положительным (Edge < 0 для оператора). Преимущество участника:
| TC | Edge оператора | Преимущество участника | Рекомендуемое действие |
|---|---|---|---|
| −2 | +1,5% | −1,5% | Минимальная позиция |
| 0 | +0,5% | −0,5% | Минимальная позиция |
| +1 | ≈ 0% | ≈ 0% | Безубыточность |
| +2 | −0,5% | +0,5% | Увеличение позиции |
| +3 | −1,0% | +1,0% | Значительное увеличение |
| +5 | −2,0% | +2,0% | Максимальная позиция |
Оптимальное управление позицией: критерий Келли
Размер позиции как функция TC:
где \(\sigma \approx 1{,}15\) — стандартное отклонение на одно событие, \(K\) — текущий капитал. На практике используется дробный Келли (\(f^*/2\)).
Пример
Капитал \(K = 10\,000\) у.е., TC = +3 (преимущество +1,0%):
При TC = 0: \(s = s_{\min}\) (минимальная позиция для маскировки).
Подробнее о критерии Келли — модели управления капиталом.
Глубина проникновения: ключевая переменная
Глубина проникновения \(d\) — доля набора, используемая до перемешивания:
Чем выше \(d\), тем больше информации доступно участнику, и тем чаще TC достигает экстремальных значений:
| Глубина \(d\) | % времени с TC ≥ +2 | Ожидаемый EV/час | Практическая оценка |
|---|---|---|---|
| 50% | ~15% | ≈ 0 у.е. | Информации недостаточно |
| 65% | ~22% | +5–10 у.е. | Минимально жизнеспособно |
| 75% | ~28% | +15–25 у.е. | Стандартная цель |
| 85% | ~35% | +30–50 у.е. | Оптимально |
При \(d < 50\%\) мониторинг состава практически бесполезен.
Контрмеры операторов
| Контрмера | Механизм | Эффект на информационное преимущество |
|---|---|---|
| Непрерывное перемешивание (CSM) | Использованные элементы возвращаются в набор после каждого события | Полная нейтрализация. Состав набора постоянен → IID-система → мониторинг бесполезен |
| Увеличение числа поднаборов | 6–8 поднаборов вместо 1–2 | Снижение дисперсии TC → реже экстремальные значения |
| Снижение глубины | \(d < 50\%\) — частое перемешивание | TC редко достигает +2 → нет моментов положительного ожидания |
| Ограничение позиции | \(s_{\max}/s_{\min} \leq 4{-}8\) | Невозможно реализовать полный Келли |
| AI-детекция | Корреляция \(s_i\) с оценкой TC: \(\text{corr}(s_i, \widehat{\text{TC}}_i) > \theta\) | Аккаунт классифицируется как «стратегический» → ограничения |
Подробнее о системах детекции — velocity rules и ML.
CSM: формальное доказательство нейтрализации
При непрерывном перемешивании:
Система становится IID. Мониторинг состава не даёт информации: \(\text{TC} \equiv 0\), \(\text{Advantage} \equiv -\text{Edge}_0 < 0\).
Ожидаемая почасовая доходность: реалистичный расчёт
При реалистичных параметрах:
где \(\bar{s}\) — средний размер позиции (с учётом вариации по TC), \(\overline{\text{Advantage}}\) — средневзвешенное преимущество.
| Параметр | Значение |
|---|---|
| Событий в час | 60–80 |
| Доля событий с TC ≥ +2 | 25% (при d = 75%) |
| Средний Advantage при TC ≥ +2 | +1,0% |
| Средний размер позиции при TC ≥ +2 | 40 у.е. |
| Средний Advantage при TC < +2 | −0,5% |
| Средний размер позиции при TC < +2 | 10 у.е. (минимум) |
Стандартное отклонение: \(\sigma_{\text{час}} \approx 1{,}15 \times \bar{s} \times \sqrt{70} \approx 200\) у.е. Соотношение EV/σ = 0,022 → огромная дисперсия относительно ожидания. Для 95% вероятности прибыли за период:
~5 600 часов (~700 полных рабочих дней) для 95% вероятности суммарной прибыли.
Правовой статус мониторинга состава
- Не является нарушением закона в большинстве юрисдикций — это ментальный навык, а не использование устройств.
- Оператор имеет право ограничить доступ участника — это частное предприятие.
- Использование электронных устройств для подсчёта — незаконно в ряде юрисдикций (например, Невада).
Выводы
- Зависимые системы допускают информационное преимущество — в отличие от IID-систем, где прошлые результаты бесполезны.
- Оптимальная политика (MDP) снижает Edge до 0,5%. Это необходимое условие, без которого мониторинг состава бессмыслен.
- Hi-Lo — достаточная статистика: TC > +1 → положительное ожидание. Преимущество ≈ 0,5% × (TC − 1).
- Глубина проникновения \(d\) — ключевой параметр. При \(d < 50\%\) мониторинг неэффективен. CSM нейтрализует преимущество полностью.
- Реалистичная доходность ≈ 4–5 у.е./час при капитале 10 000 у.е. и σ ≈ 200 у.е./час. Для 95% вероятности прибыли — ~5 600 часов.
- AI-детекция через корреляцию размера позиции с оценкой TC — основная угроза. Ограничения аккаунта вероятны при систематическом использовании.