Главная → Управление капиталом → Ротация и сегментация

Ротация и сегментация капитала: формальный анализ тактик последовательной выборки

Тактики «переключение после N событий» и «фиксированный сегмент на модель» широко распространены как методы «дисциплинированного» взаимодействия. Данная статья формально анализирует обе: (1) что реально можно узнать о модели из 5 наблюдений, (2) почему ротация не изменяет математическое ожидание, (3) как сегментация влияет на вероятность выживания, и (4) какие элементы этих тактик имеют рациональное обоснование, а какие — нет.

Тактика 1: ротация после N событий

Алгоритм: участник выполняет ровно \(N\) событий на одной модели. Если за \(N\) событий не получено ни одного положительного результата — переход к следующей модели. Если получен значительный положительный результат — сброс счётчика и ещё \(N\) событий.

Формальная постановка

Рассмотрим модель с вероятностью положительного результата \(p\) (хотя бы частичный возврат). Для типичной высоковолатильной модели \(p \approx 0{,}20{-}0{,}35\) (20–35% событий дают ненулевой результат).

Вероятность 0 положительных результатов за \(N = 5\) событий:

\[ P(\text{0 из 5}) = (1 - p)^5. \]
Частота положительных событий \(p\)\(P(\text{0 из 5})\)Интерпретация
20% (высокая волатильность)32,8%Каждая 3-я серия из 5 — без положительного результата
25%23,7%Каждая 4-я серия
30%16,8%Каждая 6-я серия
35% (низкая волатильность)11,6%Каждая 9-я серия

При \(p = 0{,}25\) почти четверть серий будут «пустыми» — не потому что модель «плохая», а потому что 5 событий — статистически ничтожная выборка.

Доверительный интервал для RTP при n = 5

Эмпирический RTP после 5 событий:

\[ \widehat{\text{RTP}}_5 = \frac{\sum_{i=1}^5 X_i}{5s}. \]

95%-й доверительный интервал (при \(\sigma = 5\), типичная высокая волатильность):

\[ \text{CI}_{95\%} = \widehat{\text{RTP}}_5 \pm 1{,}96 \cdot \frac{\sigma}{\sqrt{5}} = \widehat{\text{RTP}}_5 \pm 4{,}38. \]

Ширина интервала: ±438 процентных пунктов RTP. Если за 5 событий наблюдаемый RTP = 0%, реальный RTP с 95% вероятностью лежит в диапазоне от −438% до +438%. Любое заключение о «качестве» модели на основе 5 наблюдений — статистически бессмысленно.

\(n\) (событий)Ширина CI95% (σ=5)Ширина CI95% (σ=10)Информативность
5±438%±877%Нулевая
25±196%±392%Минимальная
100±98%±196%Низкая
250±62%±124%Умеренная
1 000±31%±62%Приемлемая
10 000±10%±20%Хорошая

Подробнее о конвергенции RTP — RTP и Edge.

Миф о «дающих фазах»

Тактика ротации основана на предпосылке: модель может находиться в «дающей» или «отнимающей» фазе, и 5 событий достаточно для их идентификации. Формально:

\[ H_0: \text{RTP}_{\text{текущей фазы}} = \text{RTP}_{\text{декларированный}} \quad \text{(IID-модель)}. \]

Для IID-модели (все сертифицированные системы) фаз не существует — каждое событие генерируется независимо:

\[ P(X_{n+1} = x \mid X_1, \ldots, X_n) = P(X_{n+1} = x). \]

Результат первых 5 событий не содержит никакой информации о 6-м. Подробнее о независимости — психология серий. О различии IID и «компенсированных» моделей — регуляторная теория.

Инвариантность ожидания от ротации

Пусть участник взаимодействует с \(M\) моделями, выполняя по \(N_m\) событий на каждой. Суммарный P&L:

\[ S = \sum_{m=1}^{M} \sum_{i=1}^{N_m} (X_{m,i} - s_m). \]

Ожидание:

\[ E[S] = \sum_{m=1}^{M} N_m \cdot s_m \cdot (\text{RTP}_m - 1) = -\sum_{m=1}^{M} N_m \cdot s_m \cdot \text{Edge}_m. \]

Ожидание зависит только от совокупного объёма и Edge каждой модели, но НЕ от порядка переключения. Выполнить 250 событий на одной модели или 5 × 50 на пяти моделях с одинаковым Edge — математически идентично по ожиданию.

Когда ротация имеет смысл

Единственный рациональный аргумент: если доступные модели имеют различный Edge:

\[ \text{Edge}_1 \neq \text{Edge}_2 \neq \ldots \neq \text{Edge}_M, \]

то перебор моделей с заведомо известным RTP (из спецификации провайдера) и выбор модели с минимальным Edge — рациональная стратегия. Но для этого не нужно делать пробные события: достаточно прочитать документацию.

Подробнее о выборе модели по RTP — стратификация RTP.

Тактика 2: сегментация капитала

Алгоритм: капитал \(K_0\) делится на \(M\) равных сегментов \(B = K_0/M\). На каждую модель выделяется один сегмент. При исчерпании сегмента — переход к следующей модели. При удвоении сегмента — фиксация начального капитала и продолжение на «чистый» результат.

Формализация: размер позиции и число событий

Если сегмент \(B\) и правило 250 позиций:

\[ s_m = \frac{B}{250} = \frac{K_0}{250M}. \]

Суммарное число событий за сессию:

\[ N_{\text{total}} = M \cdot 250 = \frac{K_0}{s_m} = 250M. \]

Ожидаемые потери:

\[ E[\text{потери}] = N_{\text{total}} \cdot s_m \cdot \text{Edge} = 250M \cdot \frac{K_0}{250M} \cdot \text{Edge} = K_0 \cdot \text{Edge}. \]

Ожидаемые потери не зависят от числа сегментов \(M\) — снова инвариантность.

Правило 50/50: формальный анализ

При удвоении сегмента (\(B \to 2B\)) участник фиксирует \(B\) и продолжает на оставшиеся \(B\). Это эквивалентно установке take-profit на уровне +100%:

\[ \text{Take-profit}_{\text{сегмента}} = B, \quad \text{Stop-loss}_{\text{сегмента}} = B. \]

Вероятность достичь take-profit до stop-loss (для симметричного случайного блуждания со сносом):

\[ P(\text{TP до SL}) = \frac{1 - e^{-2\lambda \cdot B}}{e^{2\lambda \cdot B} - e^{-2\lambda \cdot B}}, \quad \lambda = \frac{\text{Edge} \cdot s}{\sigma^2 s^2} = \frac{\text{Edge}}{\sigma^2 s}. \]

При малом \(\lambda B\) (типичный случай):

\[ P(\text{TP до SL}) \approx \frac{1}{2} - \lambda B = \frac{1}{2} - \frac{B \cdot \text{Edge}}{\sigma^2 s}. \]
B (сегмент)s = B/250Edge = 4%, σ = 5P(удвоение)
20 у.е.0,08 у.е.λ = 0,02≈ 33%
50 у.е.0,20 у.е.λ = 0,008≈ 33%
100 у.е.0,40 у.е.λ = 0,004≈ 33%

Вероятность удвоения составляет приблизительно 33% при Edge = 4%. Это означает: из 3 сегментов в среднем 1 удвоится, а 2 будут потеряны. Суммарный результат: \(+B - 2B = -B\), что соответствует общему отрицательному ожиданию.

Ценность правила 50/50

Хотя правило 50/50 не изменяет ожидание, оно обеспечивает психологическую и поведенческую защиту:

Подробнее о протоколах капитала — правило 250 позиций.

Влияние на дисперсию: что ротация реально меняет

Хотя ожидание инвариантно, дисперсия сессии зависит от структуры взаимодействия:

\[ \text{Var}(S) = \sum_{m=1}^{M} N_m \cdot s_m^2 \cdot \sigma_m^2. \]

Если все модели имеют одинаковую \(\sigma\) и одинаковый \(s\):

\[ \text{Var}(S) = N_{\text{total}} \cdot s^2 \cdot \sigma^2 \quad \text{— не зависит от } M. \]

Но если модели имеют различную волатильность, ротация с укороченными сериями на высоковолатильных моделях и удлинёнными на низковолатильных — снижает общую дисперсию при том же ожидании:

\[ \text{Var}_{\text{оптим.}} = \sum_m N_m \cdot s^2 \cdot \sigma_m^2, \quad N_m \propto 1/\sigma_m^2 \implies \text{Var}_{\text{оптим.}} < \text{Var}_{\text{равном.}}. \]

Подробнее о классах волатильности — классы волатильности.

Сводка: что работает, а что — нет

Элемент тактикиРациональное обоснованиеМифологический компонент
5 событий — достаточно для оценки модели ❌ Нет. CI95% при n=5: ±438% RTP ✅ Основан на мифе о «дающих фазах»
Ротация улучшает результат ❌ Ожидание инвариантно от порядка ✅ Ошибочная каузальная атрибуция
Выбор модели с лучшим RTP ✅ Минимизирует Edge (но по документации, не по выборке) —
Сегментация капитала ✅ Встроенный stop-loss, предотвращение «погони» —
Правило 50/50 (фиксация при удвоении) ✅ Take-profit, снижение поведенческих рисков —
Фиксированный размер позиции ✅ Обеспечивает 250 событий на сегмент —

Рекомендуемый протокол (на основе рационального ядра тактик)

  1. Выбрать модель заранее по документации провайдера (максимальный RTP). Не делать «пробные» события.
  2. Разделить сессионный капитал на 2–4 сегмента: \(B = K_{\text{session}} / M\).
  3. Размер позиции: \(s = B / 250\).
  4. Stop-loss сегмента: при исчерпании \(B\) — переход или завершение.
  5. Take-profit сегмента: при удвоении — фиксация \(B\), продолжение на положительный результат.
  6. Общий stop-loss сессии: не более \(K_{\text{session}}\). Не пополнять в процессе.
  7. Общий take-profit сессии: установить до начала (например, +50% от \(K_{\text{session}}\)).

Выводы

  1. 5 наблюдений не содержат статистически значимой информации о модели: доверительный интервал RTP при n=5 составляет ±438% (при σ=5). Идентификация «дающих фаз» на такой выборке невозможна.
  2. Ожидание инвариантно от ротации: \(E[S] = -\sum N_m s_m \text{Edge}_m\). Порядок переключения и число моделей не влияют на средний результат.
  3. Сегментация и правило 50/50 — рациональны как механизмы поведенческой защиты: встроенный stop-loss/take-profit, предотвращение «погони», фиксация результатов.
  4. Вероятность удвоения сегмента ≈ 33% при Edge = 4%. Из 3 сегментов в среднем 1 удвоится, 2 будут потеряны: суммарный P&L отрицателен.
  5. Единственный рациональный выбор модели — по документации провайдера (RTP), а не по результатам пробных событий.
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.

Связанные материалы