凯利判据原理及证明 - 为什么不要All In

引言

偶然了解的有意思的知识。
赢面很大的连续赌局，为什么容易倾家荡产？在股市上频繁交易，为什么容易赔钱？明明每次赢钱数学期望都是正的，为什么还是结果还是输钱？
奇怪的是，仅仅只要选对合适的下注比例，通常就能笑到最后。

感觉很反直觉，所以有意思。

输或赢的赌局

先从一个有意思的例子说起：

如有有一个连续的赌局，不是输就是赢，有60%的获胜率（p = 0.6），赢了，则钱变成2倍，输了钱全部输光，请问，这时候应该All in吗？如果赌局一直进行，那应该一直All in吗？

直觉上来讲：还有这种好事，赢面大，肯定All in；
如果谨慎一点，刚好又懂一点数学，可以算一下赢钱的数学期望：$E=0.6\times 2+0.4\times 0-1=0.2$，赌局赢钱的期望是0.2；
如果刚好了解一些统计学：根据大数定律，只要赌局够多，保证数学期望为正，那就一定能够赚到钱；
但是很遗憾，上述这些想法都不对，一直All in，极大概率会输光。为什么呢？

为什么不能总是All in？

其实上面的赌局有一种比较好理解的方式：

这种赌局太极端了！你要么一直赢，要么你在任意时刻，仅仅只需要输一次，就会让你倾家荡产。那么你一直赢的概率是多少呢？假如赌局进行100次，总是选择All in，那么你赢到最后的概率只有$0.6^{100}$，中间任何一次输，都直接游戏结束，尽管最后可能奖金丰厚——这个甚至都不用计算。

这个理解没啥毛病，但是生活中这种极端的局面比较少，更多时候是，赢了就涨一些，输了就输一些（股市不就是吗）。
例如下面这个游戏：
假设有这么一家赌场,提供了这么一个你可以玩无穷多次的游戏：扔一个硬币，若正面向上，则你的资产变成当下的 1.2 倍；若反面向上，则你的资产变成当下的 0.83 倍。

这种情况就很难判断了。
赢钱的数学期望永远为正：$E=0.5\times 1.2+0.5\times 0.83-1=0.015$。
而且，再怎么造也不会输光，它也不像股市交易还要收过路费，根据大数定律，我们一定能赢。
那我们来用程序模拟一下，假设100个玩家，每人本金为10000，每人都进行赌局30000次（够“大数”吧），总是All in：

这个有趣的案例，以及代码来自：https://www.physixfan.com/weishenmepinfanjiaoyiderendaduoshuzaigushishangdoupeiqianleyigeyouqudexiaoshuxueyouxiyexua/

import numpy as np
import matplotlib.pyplot as plt
 
P = 100 # Number of players
N = 30000 # Total times played for one player
win = 1.2
lose = 0.83
Num_of_winner = 0
Money_of_the_luckiest_winner = 0.0
 
for j in range(P):
    m = np.zeros(N)
    m[0] = 10000.0
    for i in range(1,N):
        if np.random.randint(2):
            m[i] = m[i-1]*win
        else:
            m[i] = m[i-1]*lose
 
    if m[-1]>m[0]:
        Num_of_winner += 1
    if m[-1]>Money_of_the_luckiest_winner:
        Money_of_the_luckiest_winner = m[-1]
    plt.plot(m)
 
 
print(Num_of_winner)
print(Money_of_the_luckiest_winner)
plt.xlabel('Times played')
plt.ylabel('Money')
plt.show()

结果是：输光！

不同颜色代表不同玩家，x轴是游戏次数，y轴是金额。可以看到，即使不是极端的赌局，大多数玩家最终的资产都会归零。换成对数坐标轴更容易看出来(注意y轴，大多数人，在一开始资产就迅速接近0)：

这就很难理解了，明明赢钱的期望总是正的，为什么大多数人都会输光？难道大数定律有问题？
我觉得其实主要是因为这是一个连续的局面，每次游戏之间的钱会互相影响，每次都不独立。简单的理解角度：

• 0.83 * 1.2=0.996，由于输赢概率相同，所以连续的局面下，钱会不断地减少。

好了懂了，这个故事告诉我们：远离赌博！
ok，可以关掉了。
……
等一下！你听我说，赌局不是关键，我们关注的是背后的为什么。
凯利判据表示，你应该在每次赌局都选择一个合适的下注比例，那你就能发家致富了。
那，比例是多少呢？

凯利判据 - 如何计算最佳下注比例？

凯利判据研究，在这样只有输和赢两种局面的多次游戏，怎么计算最佳的每次的下注比例。
$f^{\ast }=\frac{p{r}_1-q{r}_2}{r_1{r}_2}$
其中

• $f^{\ast }$为现有资金应进行下次投注的比例；
• $r_1$为投注可得的赔率（不含本金），$r_2$为输的赔率（不含本金）；
• $p$为获胜率；
• $q$为落败率；

如果$q=1-p$，赔率为$1$，即输了就输光。则上述公式可以简化为：
$f^{\ast }=\frac{p{r}_1-q}{r_1}=\frac{p(r_1+1)-1}{r_1}$
例如在开头提到的例子中，赢的概率为0.6，输的概率为0.4，假设为单位成本，$r_1,p,q$分别是1，0.6，0.4，代入得到最佳下注比例应该是20%。

我知道你又要跑了：这么多数学公式，不感兴趣！
再等一下，来看看凯利判据的威力——仅仅只是改动一下下注比例，结局是多么天差地别。

凯利判据的威力

还是上边那个模拟游戏：
假设100个玩家，每人本金为10000，每人都进行赌局30000次。
只不过这次，我们通过代入凯利公式，每次都计算最佳的投注比例。
$f^{\ast }=\frac{p{r}_1-q{r}_2}{r_1{r}_2}$
$p,q,r_1,r_2$，分别是0.5，0.5，0.2，0.17，代入可得，最佳比例为0.44。
来看一下程序：

import numpy as np
import matplotlib.pyplot as plt

P = 100  # Number of players
N = 30000  # Total times played for one player
win = 1.2
lose = 0.83
Num_of_winner = 0
Money_of_the_luckiest_winner = 0.0

W = abs(win - 1)
L = abs(lose - 1)
Kelly_percentage = (0.5 * W - 0.5 * L) / (W * L)
print(Kelly_percentage)  # is about 0.44 in our case

for j in range(P):
    m = np.zeros(N)
    m[0] = 10000.0
    for i in range(1, N):
        if np.random.randint(2):
            m[i] = m[i - 1] * win * Kelly_percentage + m[i - 1] * (1 - Kelly_percentage)
        else:
            m[i] = m[i - 1] * lose * Kelly_percentage + m[i - 1] * (1 - Kelly_percentage)

    if m[-1] > m[0]:
        Num_of_winner += 1
    if m[-1] > Money_of_the_luckiest_winner:
        Money_of_the_luckiest_winner = m[-1]
    plt.semilogy(m)

print(Num_of_winner)
print(Money_of_the_luckiest_winner)
plt.xlabel('Times played')
plt.ylabel('Money')
plt.show()

可以看到，使用凯利公式计算最佳投注比例之后，所有的玩家，或许有不同波动，但都赢到最后。

这很神奇吧！

凯利判据的证明

为什么呢？来看下凯利判据的证明就知道了。

对数资产期望

凯利公式的目标是最大化资产的增长率，也即最大化对数资产的期望值。不失一般性，设开始时的资产是1，每次下注的比例为$f^{\ast }$，有$p$的概率会以$r_1$的赔率赢钱，这时资产变为。有$q=1-p$的概率会以$r_2$的赔率赔钱。因此资产的对数的期望值为：
$E=p\log \left(1+f^{\ast }{r}_1\right)+(1-p)\log \left(1-f^{\ast }{r}_2\right)$
要找到最大化这个期望值，只需令导数值为零：
$\frac{\mathrm{d}E}{\mathrm{d}{f}^{\ast }}=\frac{p{r}_1}{1+f^{\ast }{r}_1}-\frac{\left(1-p\right)r_2}{1-f^{\ast }{r}_2}=0$
求解上述方程即得凯利公式
$f^{\ast }=\frac{p{r}_1-q{r}_2}{r_1{r}_2}$

详细证明

这个证明很简洁，上面有一个问题为什么是最大化对数资产期望值，而不是资产期望值？
原因是，这是个连续的赌局，不是单一的赌局。这里需要一点随机过程的知识。

观察公式(11)和公式(7)，求该最大值，其实只需要求单一随机过程$E\ln R_k$的最大值即可。这也就是为什么求的是对数期望。

https://zhuanlan.zhihu.com/p/35707775

收尾

回过头，再来回答一开始的问题：为什么期望是正的，一直赌，却一定会输光？
其实本质上是因为它并不是单一赌局，事实上它是一个连续赌局，你应该选择合适的下注比例去最大化对数资产期望。
下面这种想法是正确的：

• 0.83 * 1.2=0.996，由于输赢概率相同，所以连续的局面下，钱会不断地减少
• 根据凯利判据，计算最佳投注比例是44%，这个时候，就变成了赢则变1.088倍，输则变0.9252倍。1.088*0.9252是多少呢？1.0066176！大于1了！这就解释的通为啥所有玩家的资产都纷纷上涨了。

看起来很美好，但现实情况可不是这样的——大多数时候，你既不知道胜率，也不知道赔率。
但凯利判据至少在提醒我们，频繁交易或总是All in，都是一种很差的策略——容易赔钱。
道理很简单，不说复杂了，时间拉长，抛硬币会输也会赢，输赢概率看作均等，那么一输一赢又如何呢？

• 如果本金为1，上涨50%下降50%，或者下降50%再上涨50%，结果如何？你可能在想，那不就不输不赚吗？错了，一通操作下来，你只剩0.75（😊）
• 再以上边的模拟游戏（股市）为例，你以为你能赚个差价，0.2-0.17=0.03，实际上你只剩下0.996（0.83*1.2）

本质的原因是因为这是连续的，前面的结果影响后面的本金，如果你在考虑“复利”的奇迹，那就不要忽略它是个连续的赌局，或许你该选择合适的比例，而不是All in。

写在后面

这个小知识之所以有意思，因为它对我来说是很反常识的，我很相信统计基本原理，所以，我的常识经常是——只要保证一直做大概率的事情，那么最终一定会是正收益。
但是现在来看，似乎需要再加点限定条件。
再一个点是，这个曲线它居然仅仅因为一个比例，就一定（统计意义上）能够正收益，而这个最佳比例，居然是能计算的！

参考文献

1. 凯利判据-维基百科
2. https://www.physixfan.com/weishenmepinfanjiaoyiderendaduoshuzaigushishangdoupeiqianleyigeyouqudexiaoshuxueyouxiyexua/
3. https://www.physixfan.com/yongkailipanjuwanzhuanqianwenzhongdeyigeyouqudexiaoshuxueyouxi/
4. https://zhuanlan.zhihu.com/p/35707775