Sorun bildirimi
Let para miktarının logaritması kumarbaz süre içinde yer alır .Yt=log10(Mt)Mtt
Bırakın , kumarbazın bahis yaptığı paranın bir kısmı olsun .q
, kumarbazın başladığı para miktarı olsun (on dolar). , kumarbazın iflas ettiği para miktarı olsun (1 altında). Basit olması için, kumarbazın bir miktar para geçtiğinde kumar oynamayı durdurduğuna dair bir kural (daha sonra sınırını alarak bu kuralı kaldırabiliriz ).Y0=1YL=−2YWYW→∞
Rastgele yürüyüş
Paranın büyümesini ve düşüşünü asimetrik rastgele bir yürüyüş olarak görebilirsiniz. şu şekilde tanımlayabilirsiniz :Yt
Yt=Y0+∑i=1tXi
nerede
P[Xi=aw=log(1+2q)]=P[Xi=al=log(1−q)]=12
İflas olasılığı
martingal kayışı
İfade
Zt=cYt
böyle seçtiğimizde bir martingale olur .c
caw+cal=2
(burada ise ). Bu davadan beric<1q<0.5
E[Zt+1]=E[Zt]12caw+E[Zt]12cal=E[Zt]
İflas etme olasılığı
Durma süresi ( kaybetme / iflas veya kazanma ) neredeyse kesinlikle sonludur, çünkü en kötü durumda belirli bir sonlu uzunlukta kazanan bir çizgi (veya kaybetme çizgisi) gerektirir, , ki bu kesinlikle gerçekleşecek.Yt<YLYt>YWYW−YLaw
Ardından, durma zamanı , sıfır zamanında beklenen değerine eşit demek için isteğe bağlı durma teoremini kullanabiliriz .E[Zτ]τE[Z0]
Böylece
cY0=E[Z0]=E[Zτ]≈P[Yτ<L]cYL+(1−P[Yτ<L])cYW
ve
P[Yτ<YL]≈cY0−cYWcYL−cYW
ve sınırıYW→∞
P[Yτ<YL]≈cY0−YL
Sonuçlar
Her şeyi kaybetmeden sunabileceğiniz en uygun paranın yüzdesi var mı?
En uygun yüzde hangisi olursa olsun, farklı kârlara nasıl değer verdiğinize bağlı olacaktır. Ancak, hepsini kaybetme olasılığı hakkında bir şeyler söyleyebiliriz.
Sadece kumarbaz parasının sıfır kısmını bahis yaptığında kesinlikle iflas etmeyecektir.
Artan ile iflas etme olasılığı, kumarbazın sınırlı bir süre içinde neredeyse kesin olarak iflas edeceği bir noktaya kadar artacaktır (Robert Long'un yorumlarda bahsettiği kumarbaz harabesi). Bu nokta, , Bu, altında bir çözümün bulunmadığı noktadır . Bu aynı zamanda artan basamaklarının azalan adımlarından daha küçük olduğu .qqgambler's ruinqgambler's ruin=1−1/b
cawal
Böylece, , kumarbaz paranın yarısından daha azını bahis oynadığı sürece, kumarbaz kesinlikle iflas etmeyecektir .b=2
tüm paranızı kaybetme ihtimaliniz zaman içinde azalıyor veya artıyor mu?
İflas etme olasılığı, kumarbazın iflas ettiği para miktarına olan mesafeye bağlıdır. Ne zaman kumarbaz para olacak, ortalama, düşüş ortalama artış ve iflas irade gitmek olasılık üzerinde.q<qgambler's ruin
Kelly kriterini kullanırken iflas olasılığı.
Dave Harris cevabında belirtilen Kelly kriterini kullandığınızda, , tek bir bahiste kayıp ve kâr arasındaki oran olduğundan, bağımsız olarak değeri eşit olacaktır. ve iflas etme olasılığı .q=0.5(1−1/b)bbc0.10.1S−L
Yani, sihirli ağacın asimetri parametresinden , Kelly ölçütünü kullanırken iflas etme olasılığı, kumarbazın iflas ettiği para miktarına ve kumarbazın başladığı para miktarına eşittir. ile. On dolar ve 1 cent için bu Kelly kriterini kullanırken 1: 1000 iflas etme olasılığıdır.b
Simülasyonlar
Aşağıdaki simülasyonlar, farklı kumar stratejileri için farklı simüle edilmiş yörüngeleri gösterir. Kırmızı yörüngeler iflasla sonuçlanan yörüngelerdir ( satırına ).Yt=−2
Karın zamandan sonraki dağılımıt
Para ağacıyla kumarın olası sonuçlarını daha fazla göstermek için, dağılımını homojen bir kuvvet alanında ve (kumarbazın iflas ettiği yerde) emici bir sınırla tek boyutlu bir difüzyon işlemi olarak . Bu duruma çözüm Smoluchowski tarafından verilmiştir.Yt
Smoluchowski, Marian V. "Über Brownsche Molekularbewegung unter Einwirkung äußerer Kräfte und deren Zusammenhang mit der verallgemeinerten Diffusionsgleichung." Annalen der Physik 353.24 (1916): 1103-1112. (çevrimiçi olarak şu adresten ulaşılabilir: https://www.physik.uni-augsburg.de/theo1/hanggi/History/BM-History.html )
Denklem 8:
W(x0,x,t)=e−c(x−x0)2D−c2t4D2πDt−−−−√[e−(x−x0)24Dt−e−(x+x0)24Dt]
Bu difüzyon denklemi biz hız set ağaç sorunu ile ilgilidir beklenen artış için eşit , set tek basamaklar değişimin varyans eşit , olduğu başlangıç para miktarı ve adım sayısıdır.cE[Yt]DVar(Xt)x0t
Aşağıdaki görüntü ve kod denklemi göstermektedir:
Histogram bir simülasyonun sonucunu gösterir.
Kesik çizgi , dağılımı yaklaşıklaştırmak için normal bir normal dağılım kullandığımızda bir model gösterir (bu, emici 'iflas' bariyerinin yokluğuna karşılık gelir). Bu yanlıştır, çünkü iflas seviyesinin üzerindeki bazı sonuçlar, iflas seviyesini daha önce geçmiş olan yörüngeleri içerir.
Sürekli çizgi Smoluchowski'nin formülünü kullanan yaklaşımdır.
Kodlar
#
## Simulations of random walks and bankruptcy:
#
# functions to compute c
cx = function(c,x) {
c^log(1-x,10)+c^log(1+2*x,10) - 2
}
findc = function(x) {
r <- uniroot(cx, c(0,1-0.1^10),x=x,tol=10^-130)
r$root
}
# settings
set.seed(1)
n <- 100000
n2 <- 1000
q <- 0.45
# repeating different betting strategies
for (q in c(0.35,0.4,0.45)) {
# plot empty canvas
plot(1,-1000,
xlim=c(0,n2),ylim=c(-2,50),
type="l",
xlab = "time step", ylab = expression(log[10](M[t])) )
# steps in the logarithm of the money
steps <- c(log(1+2*q,10),log(1-q,10))
# counter for number of bankrupts
bank <- 0
# computing 1000 times
for (i in 1:1000) {
# sampling wins or looses
X_t <- sample(steps, n, replace = TRUE)
# compute log of money
Y_t <- 1+cumsum(X_t)
# compute money
M_t <- 10^Y_t
# optional stopping (bankruptcy)
tau <- min(c(n,which(-2 > Y_t)))
if (tau<n) {
bank <- bank+1
}
# plot only 100 to prevent clutter
if (i<=100) {
col=rgb(tau<n,0,0,0.5)
lines(1:tau,Y_t[1:tau],col=col)
}
}
text(0,45,paste0(bank, " bankruptcies out of 1000 \n", "theoretic bankruptcy rate is ", round(findc(q)^3,4)),cex=1,pos=4)
title(paste0("betting a fraction ", round(q,2)))
}
#
## Simulation of histogram of profits/results
#
# settings
set.seed(1)
rep <- 10000 # repetitions for histogram
n <- 5000 # time steps
q <- 0.45 # betting fraction
b <- 2 # betting ratio loss/profit
x0 <- 3 # starting money
# steps in the logarithm of the money
steps <- c(log(1+b*q,10),log(1-q,10))
# to prevent Moiré pattern in
# set binsize to discrete differences in results
binsize <- 2*(steps[1]-steps[2])
for (n in c(200,500,1000)) {
# computing several trials
pays <- rep(0,rep)
for (i in 1:rep) {
# sampling wins or looses
X_t <- sample(steps, n, replace = TRUE)
# you could also make steps according to a normal distribution
# this will give a smoother histogram
# to do this uncomment the line below
# X_t <- rnorm(n,mean(steps),sqrt(0.25*(steps[1]-steps[2])^2))
# compute log of money
Y_t <- x0+cumsum(X_t)
# compute money
M_t <- 10^Y_t
# optional stopping (bankruptcy)
tau <- min(c(n,which(Y_t < 0)))
if (tau<n) {
Y_t[n] <- 0
M_t[n] <- 0
}
pays[i] <- Y_t[n]
}
# histogram
h <- hist(pays[pays>0],
breaks = seq(0,round(2+max(pays)),binsize),
col=rgb(0,0,0,0.5),
ylim=c(0,1200),
xlab = "log(result)", ylab = "counts",
main = "")
title(paste0("after ", n ," steps"),line = 0)
# regular diffusion in a force field (shifted normal distribution)
x <- h$mids
mu <- x0+n*mean(steps)
sig <- sqrt(n*0.25*(steps[1]-steps[2])^2)
lines(x,rep*binsize*(dnorm(x,mu,sig)), lty=2)
# diffusion using the solution by Smoluchowski
# which accounts for absorption
lines(x,rep*binsize*Smoluchowski(x,x0,0.25*(steps[1]-steps[2])^2,mean(steps),n))
}