RTP и Edge: базовые определения
Для каждой вероятностной модели определены два связанных параметра:
где \(s\) — размер позиции. RTP определяет долю возврата участнику на бесконечном горизонте. Edge — долю, удерживаемую оператором. Связь инвертная: \(\text{Edge} = 1 - \text{RTP}\).
Сравнительная таблица Edge по типам моделей
| Тип модели | RTP | Edge | Характеристика |
|---|---|---|---|
| Оптимальная стратегия в зависимых системах | 99,0–99,5% | 0,5–1,0% | Решения участника влияют на ожидание |
| Модель с одним нулевым исходом | 97,3% | 2,7% | N дискретных равновероятных исходов + 1 нулевой |
| Модель с двумя нулевыми исходами | 94,7% | 5,3% | Удвоенный нулевой исход |
| Высоковолатильные модели (класс A) | 95–97% | 3–5% | Редкие крупные результаты, высокая σ |
| Высоковолатильные модели (класс B) | 92–95% | 5–8% | Средняя волатильность |
| Низкие версии RTP | 87–92% | 8–13% | Доступны оператору, но редко раскрываются |
| Модели «продолжить/остановиться» | 95–97% | 3–5% | Последовательный выбор, нарастающий риск |
Подробнее о стратификации — Стратификация RTP. О зависимых системах — Оптимальные решения.
Конвергенция: закон больших чисел и скорость сходимости
Эмпирический RTP за \(n\) событий:
где \(X_i\) — выплата за \(i\)-е событие. По закону больших чисел:
Скорость сходимости: Berry–Esseen
Центральная предельная теорема даёт приближённое распределение:
где \(\sigma\) — стандартное отклонение выплат (нормированное на \(s\)). Теорема Берри–Эссеена уточняет погрешность:
где \(\rho = E[|X_i/s - \text{RTP}|^3]\) — третий абсолютный момент, \(C \leq 0{,}4748\). Для высоковолатильных моделей (\(\sigma = 5{-}10\)) третий момент велик → сходимость медленнее, чем для низковолатильных.
Необходимый объём выборки
Для определения RTP с точностью \(\varepsilon\) и уровнем доверия \(1 - \alpha\):
| Точность ε | σ = 2 (низкая волат.) | σ = 5 (средняя) | σ = 10 (высокая) |
|---|---|---|---|
| ±5% RTP | 6 147 | 38 416 | 153 664 |
| ±2% RTP | 38 416 | 240 100 | 960 400 |
| ±1% RTP | 153 664 | 960 400 | 3 841 600 |
При 95% уровне доверия (\(z_{0{,}025} = 1{,}96\)). Для высоковолатильной модели определить RTP с точностью ±1% требуется около 4 миллионов событий — практически недоступно одному участнику.
Распределение результата сессии
Суммарный P&L за сессию из \(n\) событий:
По ЦПТ:
Среднее отрицательно (\(-n \cdot s \cdot \text{Edge}\)), дисперсия растёт линейно с \(n\).
Вероятность положительного результата
Аргумент Φ-функции растёт как \(\sqrt{n}\) → вероятность положительного результата монотонно убывает с ростом длительности сессии.
| n (событий) | Edge = 2%, σ = 5 | Edge = 4%, σ = 5 | Edge = 4%, σ = 10 |
|---|---|---|---|
| 50 | P = 47,2% | P = 44,3% | P = 47,2% |
| 100 | P = 46,0% | P = 42,1% | P = 46,0% |
| 250 | P = 43,7% | P = 37,4% | P = 43,7% |
| 1 000 | P = 39,4% | P = 26,4% | P = 39,4% |
| 5 000 | P = 29,5% | P = 11,5% | P = 29,5% |
| 10 000 | P = 23,0% | P = 5,5% | P = 23,0% |
Ключевое наблюдение: при коротких сессиях (\(n = 50{-}100\)) вероятность положительного результата — около 45%, что создаёт иллюзию «почти справедливой» системы. Но при \(n = 10\,000\) вероятность падает до 5–23%. Подробнее о дисперсии на конечных сериях — миллисекундный детерминизм.
Амплификация Edge: от процента к гарантированному доходу
Оператору не нужно «корректировать» результаты: закон больших чисел гарантирует доход через агрегирование:
где \(V_{\text{total}} = \sum_u \sum_t s_{u,t}\) — совокупный объём позиций всех участников. Дисперсия совокупного дохода:
Коэффициент вариации (относительная неопределённость дохода):
С ростом объёма CV → 0: доход оператора становится детерминированным.
Числовой пример амплификации
| Параметр | Значение |
|---|---|
| Количество активных участников | 10 000 |
| Среднее количество событий/день | 500 |
| Средний размер позиции | 1 у.е. |
| Совокупный объём/день | 5 000 000 у.е. |
| Edge | 4% |
| Доход оператора/день | 200 000 у.е. |
| Доход/год | 73 000 000 у.е. |
| CV (при σ = 5) | 0,056 (5,6%) |
При CV = 5,6% ежедневный доход с 95% вероятностью попадает в диапазон 178 000 – 222 000 у.е. Оператор работает в режиме практически гарантированного дохода.
Почему высокий RTP не гарантирует положительный результат
Формально: даже при RTP = 99,5% (Edge = 0,5%), ожидание каждого события отрицательно:
Разница между RTP = 96% и RTP = 99,5% — не в знаке ожидания (он всегда отрицательный), а в скорости истощения капитала:
| RTP | Edge | Ожидаемые потери за 250 событий (s=1) | Ожидаемые потери за 1000 событий |
|---|---|---|---|
| 99,5% | 0,5% | 1,25 у.е. | 5 у.е. |
| 97,3% | 2,7% | 6,75 у.е. | 27 у.е. |
| 96,0% | 4,0% | 10 у.е. | 40 у.е. |
| 92,0% | 8,0% | 20 у.е. | 80 у.е. |
| 87,0% | 13,0% | 32,5 у.е. | 130 у.е. |
При Edge = 0,5% потери за 250 событий составляют лишь 1,25 у.е. — дисперсия легко «маскирует» их. При Edge = 13% потери за те же 250 событий — 32,5 у.е., что ощутимо даже на коротких сессиях.
Подробнее о правиле 250 позиций — правило 250.
Условие безубыточности: когда E[X] ≥ 0?
Положительное ожидание возможно только при \(\text{RTP} \geq 100\%\), что означает \(\text{Edge} \leq 0\):
Это структурно невозможно в коммерческих системах: отрицательный Edge означал бы убыток оператора на каждом событии. Единственные ситуации приближения к безубыточности:
- Зависимые системы с мониторингом состава: временное \(\text{Edge} < 0\) при определённом составе выборки. Оператор противодействует через ограничения (регуляторная теория).
- Бонусы с \(V > 0\): при низком множителе отыгрыша \(W\): \(V = B(1 - W(1 - \text{RTP})) > 0 \iff W < 1/(1 - \text{RTP})\). При RTP = 96%: \(W < 25\). Подробнее — бонусные механики.
Волатильность vs Edge: ортогональные параметры
Волатильность (\(\sigma\)) и Edge — независимые характеристики:
Модель с RTP = 96% и σ = 2 (низкая волатильность) даст предсказуемые небольшие убытки. Модель с тем же RTP = 96%, но σ = 10 (высокая волатильность) — непредсказуемые результаты с тем же средним убытком.
Подробнее о классах волатильности — классы волатильности.
Практический алгоритм минимизации Edge
- Определить тип модели: зависимая (решения участника влияют на ожидание) vs независимая (результат определяется только ГСЧ).
- Для зависимых моделей: изучить таблицу оптимальных решений → Edge снижается до 0,5–1,0%. Подробнее — оптимальные решения.
- Для независимых моделей: выбрать версию с максимальным RTP. Проверить раскрытие RTP на сайте регулятора или провайдера.
- Рассчитать ожидаемые потери: \(L = n \cdot s \cdot \text{Edge}\). Определить, приемлемы ли они как «стоимость опыта».
- Зафиксировать размер позиции: \(s = K_{\text{session}} / 250\) — обеспечивает 99% выживаемость (правило 250).
- Установить лимиты до сессии: stop-loss и take-profit. Не изменять в процессе.
Выводы
- RTP и Edge — инверсные параметры: \(\text{Edge} = 1 - \text{RTP}\). Отрицательное ожидание встроено в каждую коммерческую модель.
- Конвергенция медленная: для определения RTP с точностью ±1% при высокой волатильности требуется ~4 миллиона событий. На конечной сессии эмпирический RTP может быть любым.
- P(положительный результат) монотонно убывает с ростом \(n\): при Edge = 4% и σ = 5 вероятность падает с 47% (\(n = 50\)) до 5,5% (\(n = 10\,000\)).
- Амплификация Edge: при совокупном объёме 5 млн у.е./день и Edge = 4% доход оператора — 200 000 у.е./день с CV = 5,6%. Коррекция результатов не нужна: математика делает всё сама.
- Единственная рациональная стратегия: минимизировать Edge (выбор модели и оптимальных решений), фиксировать размер позиции и лимиты, принять ожидаемые потери как «стоимость опыта».