21點術語:掌握遊戲規則,贏取無敵大獎【【研究】投注管理利器:凱利公式你掂得巖唔?】

文章目錄

  • 21點術語:掌握遊戲規則,贏取無敵大獎
  • 【研究】投注管理利器:凱利公式你掂得巖唔?
  • 「如何保護個人信息:安全外圍賭博建議」

"Emixbet電運娛樂21點術語:掌握遊戲規則,贏取無敵大獎"

掌握遊戲規則,贏取無敵大獎

Emixbet電運娛樂21點是一種非常受歡迎的撲克牌遊戲,目標是接近或達到21點,並且超過莊家的點數。在這篇文章中,我們將詳細介紹遊戲規則,並提供一些例子來幫助你更好地理解。

遊戲規則:

  1. 每張撲克牌的點數:A的點數可以是1或11,2-10的點數與牌面上的數字相同,J、Q和K的點數為10。
  2. 遊戲開始時,玩家和莊家各發兩張牌。
  3. 玩家可以選擇「要牌」或「停牌」。如果選擇要牌,則獲得一張額外的牌;如果選擇停牌,則不再獲得額外的牌。
  4. 玩家可以繼續選擇要牌,直到達到21點或超過Emixbet電運娛樂21點(稱為「爆牌」)。
  5. 莊家必須在玩家停牌後才能進行操作。莊家必須繼續要牌,直到達到17點或更高的點數。
  6. 如果玩家的點數超過21點,則莊家獲勝。如果莊家的點數超過21點,則玩家獲勝。如果兩者點數相同,則平局。

例子:

讓我們通過一個例子來演示遊戲的進程:

  1. 玩家手中的牌:A、5
  2. 莊家手中的牌:8、K

根據規則,A的點數可以是1或11,5的點數為5,8的點數為8,K的點數為10。因此,玩家目前的點數為16(1+5),莊家目前的點數為18(8+10)。

玩家可以選擇要牌或停牌。假設玩家選擇要牌,並獲得一張3。現在,玩家手中的牌為A、5、3,點數為19(1+5+3)。

莊家必須等到玩家停牌後才能進行操作。假設莊家選擇要牌,並獲得一張9。現在,莊家手中的牌為8、K、9,點數為27,超過21點,莊家爆牌。

根據遊戲規則,玩家獲勝,因為莊家爆牌。玩家贏取無敵大獎!

這只是一個例子,遊戲中可能會有更多的情況和策略。通過掌握遊戲規則,你可以提高自己的勝率,並贏取無敵大獎。

【研究】投注管理利器:凱利公式你掂得巖唔?

【研究】倉位管理大殺器:凱利公式你用對了嗎? - 知乎

首發於

神秘的寬客們

切換模式

寫文章

登錄/註冊

【研究】倉位管理大殺器:凱利公式你用對了嗎?

陳小米

quaaaant/喵星人/潛水/滑雪

今天我們介紹一個神奇的人,和他神奇的公式。目前網絡上傳播較廣的一篇講凱利公式前世今生的文章,個人認為深度不夠,而且思路是有問題的。大家不要看多了走偏路。 https://www.emixbethk.com/ ,把這篇分享出來,儘量做到講對,講透,也是提醒各位,低頭挖礦,不要搞錯了挖礦的初衷。

一、故事背景

市場不好的時候,我們總是會猶豫,滿倉?半倉?還是空倉?有沒有一個科學的辦法給出一個標準答案呢?下面來看看

倉位管理神器——凱利公式

投資(ji)就是一場賭博。像索普、香農等很多投資大師早期都對研究賭博業的秘密情有獨鍾,科學家們總是希望從理論上找到賭博遊戲的必勝策略,使得一場遊戲中贏的概率遠遠高過輸的概率。

凱利就是這樣一個大師。他是香農(信息論創始人)在貝爾實驗室的同事,這個來自德克薩斯州、愛擺弄手槍、喜歡一根接一根抽煙的狂野硬漢,幹過很多惡作劇,特別喜歡將填滿塑料的子彈射進他客廳的牆壁裏來戲弄家裏暫住的客人。他的研究領域從量子物理學到電視信號解碼,發明了能夠準確模擬人類聲音的電腦設備。最廣為人知的研究貢獻,便是將香農的信息論運用到了賽馬賭博中。

凱利用這樣一個精巧簡潔的公式,將信息論與賭博之間的本質聯繫揭露出來,告訴我們在有限了解的信息下,如何下注能使得資本增值的速度最大化。

二、賭博怎麼用凱利公式?

最早的凱利公式是運用在賭博遊戲中的,我們先看看賭博情形下凱利公式的特殊形式:

:下注比例賭贏的概率:賭輸的概率(=1-Pwin):賠率,押1賠b(這個賭球的朋友們是不陌生啦)

特殊形式凱利公式的證明過程(此處感謝的建議)

我們可以做一個簡單的證明。資金曲線asset對f求導,就可以得到特殊形式下的凱利公式。

from sympy import *
f,b,pwin = symbols('f b pwin')

資金曲線asset

asset = pwin*log(1 + b*f) + (1 - pwin)*log(1-f)

資金曲線增長最大,即asset對f求導=0時f的值

solve(diff(asset,f),f)

[(b*pwin + pwin - 1)/b]

舉個簡單的例子

假想一個遊戲。贏的概率是60%,輸的概率40%。入場費隨意交。如果贏了獲得2倍的入場費金額(1賠1),輸則輸掉入場費。小米有100元做本金,請問小米每次給多少入場費,理論上4次遊戲後幾何期望收益能最大?

然後我拿凱利公式算了一下,最佳的策略是每次投剩餘本金的20%。

基於上述的例子,做個簡單的蒙特卡洛模擬實驗(進行200次遊戲):

from pandas import DataFrame
base = 100
pwin = 0.6
ploss = 1-pwin
b = 1
c = 1
rnd_position = 0.25
rnd_position2 = 0.15
kelly_position = (pwin*b - ploss)/b
stopline = 1
print 'kelly position is %s'%kelly_position

port_A = DataFrame()
port_B = DataFrame()
port_C = DataFrame()
port_D = DataFrame()

重複模擬次數

for i in range(1000): port1 = [base] port2 = [base] port3 = [base] port4 = [base] #遊戲進行次數 for step in range(200): rnd = random.random() if rnd < pwin: next_step = b else: next_step = -c if port1[-1] > base*(1-stopline): port1.append(port1[-1]*(1+next_step)) else: port1.append(port1[-1]) if port2[-1] > base*(1-stopline): port2.append(port2[-1]*(1+next_step*kelly_position)) else: port2.append(port2[-1]) if port3[-1] > base*(1-stopline): port3.append(port3[-1]*(1+next_step*rnd_position)) else: port3.append(port3[-1]) if port4[-1] > base*(1-stopline): port4.append(port4[-1]*(1+next_step*rnd_position2)) else: port4.append(port4[-1]) port_A[i] = port1 port_B[i] = port2 port_C[i] = port3 port_D[i] = port4
plt.figure(figsize = (8,5))
plt.plot(exp(log(port_A.T).sum()/1000),label = 'port1:full')
plt.plot(exp(log(port_B.T).sum()/1000),'*',label = 'port2:kelly')
plt.plot(exp(log(port_C.T).sum()/1000),label = 'port3:0.25')
plt.plot(exp(log(port_D.T).sum()/1000),label = 'port4:0.15')
plt.legend(loc = 0)
print '
不同組合的幾何期望收益'
print 'full position %s'%exp(log(port_A.T).sum()/1000).iloc[-1]
print 'kelly position %s'%exp(log(port_B.T).sum()/1000).iloc[-1]
print 'position = 0.25 %s'%exp(log(port_C.T).sum()/1000).iloc[-1]
print 'position = 0.15 %s'%exp(log(port_D.T).sum()/1000).iloc[-1]

觀察四種操作方式:滿倉下注、按凱利公式下注20%、按25%下注、按15%下注

圖為進行200次遊戲之後幾何期望資金曲線的情況

凱利無疑是增長最快的!

從另一個角度,我們來理解一下

不同賠率下,贏的概率多大我們會選擇入場參與遊戲?

還是上面的遊戲,如果贏的概率40%,輸的概率60%,那麼,期望淨收益就是(1×0.4-0.6)< 0;從概率的角度説,一個期望淨收益為負的遊戲是不值得參與的,求得的f小於0,也就是不下注。

下面看一下

不同賠率下一個遊戲賭贏的概率為多少才值得參加?

同樣,用實驗來觀察:

import numpy as np
from mpl_toolkits.mplot3d import Axes3D
b = np.linspace(20,1,20)
pwin = np.linspace(0,1,20)
b,pwin = np.meshgrid(b,pwin)
kelly = (b*pwin-(1-pwin))/b*(b*pwin-(1-pwin)>=0)
zero = 0
fig = plt.figure(figsize = (10,6))
ax = fig.gca(projection = '3d')
surf = ax.plot_surface(b,pwin,kelly,rstride=1, cstride=1,cmap = plt.cm.coolwarm)
ax.plot_surface((1-pwin)/pwin,pwin,0)
ax.set_xlabel('b 賠率')
ax.set_ylabel('pwin 贏概率')
ax.set_zlabel('kelly 下注比例')
fig.colorbar(surf,shrink = 0.6,aspect = 10)

上圖説明兩個問題:

1. 如果一次賭博賠率越大,在贏的概率較小的情況下,凱利公式就開始提示要下注啦。(如圖賠率為20時,只需要10%的贏率就可以入場玩啦)

2. 同一賠率下,凱利公式只有在穩贏(贏概率=100%)時才會支持押下全部本金,否則都是本金的一定比例。也即永遠不會輸完所有的錢。

三、炒股怎麼用凱利公式?

凱利的論文給出的押注策略,神奇之處就在於,當你總是遵循這一準則進行操作,你就能預測接下來發生的事情,你也能清楚的知道你的財富增長速度是在控制住風險情況下最優的結果。

來看看凱利運用他的財富公式,專門成立的hedge fund 的performance~20年15倍,就是辣麼厲害。

數據:《財富公式:玩轉拉斯維加斯和華爾街的故事》

那麼問題來了,我們

量化炒股如何引入這麼神奇的倉位管理神器?

因為股市的漲跌我們不會一次性賠光本金,所以引入損失率對凱利公式做微調,即更一般性的凱利公式:

:倉位比例

:賭贏的概率—股市上漲概率

:賭輸的概率—股市下跌概率

:贏錢率(資產從1增加到1+b)

:損失率(資產從1減少到1-c)

一般性凱利公式的證明過程(再次感謝的提議,在此加上證明過程)

一次投資過程,壓上總資本(A)的一定比例:f*A。有pwin的概率贏,贏了財富為A*(1+fb),ploss的概率會輸,輸了資本變為A*(1-fc)。N次投資後,總資本函數為:

凱利公式要做的是使得總資本曲線的幾何收益最大,也就是log(An)/N最大。即log(AN)/N對f求導=0時f的值就是凱利公式了~

仔細想一個問題(挖礦秘籍)

賭博和買股票,贏概率Pwin和輸概率Ploss究竟是什麼?

賭博的時候,Pwin和Ploss是根據遊戲規則算出的概率而定。比如投硬幣(Pwin=Ploss=0.5),或者轉Emixbet電運娛樂輪盤,撲克等更為複雜的遊戲。

而買股票的過程,是n次離散賭博的過程。當你找到一個有效信號之後進行一次操作(比如有效信號是價格突破5日均線,財務數據好,成交量放大,或者各種金叉死叉等等。。)

假設我們找到了一個有效信號,信號發生時,股價為S。我們提前給定價格S(1+b)和S(1-c)作為信號發生後止盈和止損的邊界,這個時候的Pwin和Ploss應該是基於歷史這個信號的收益情況做數據統計分析勝率(贏概率)和敗率(輸概率)來給出,也即價格觸碰到S(1+b)止盈的概率是Pwin,觸碰到S(1-c)止損的概率是Ploss。

關於信號這部分的可視化的理解,可參見

好多凱利公式的文章,但好像沒有説透徹的……

。這篇是與JoinQuant的小編討論後發佈在JQ社區的一篇文章。

又舉一個簡單例子

有效信號

:當前價突破5日均線

統計樣本

:100隻相似股票,過去三年有效信號發生了1000次

統計包含

:假定上漲20%止盈,下跌20%止損。止盈贏錢的次數57次,止損輸錢的次數43次

對應公式的

參數

:Pwin=0.57,Ploss=0.43,b=0.20,c=0.20

此時f=Pwin/c – Ploss/b = 0.57/0.20 – 0.43/0.20= 70%

按照我們對某一個有效信號做歷史統計定出來的Pwin,Ploss,b和c來進行模擬的投資組合看看看效果:

from pandas import DataFrame
base = 100
pwin = 0.57
ploss = 1-pwin
b = 0.2
c = 0.2
# stopline後文會介紹
stopline = 1
rnd_position = 0.6
rnd_position2 = 0.9
kelly_position = (pwin/c - ploss/b)*stopline
print 'kelly position is %s'%kelly_position
port_A = DataFrame()
port_B = DataFrame()
port_C = DataFrame()
port_D = DataFrame()

重複模擬次數

for i in range(1000): port1 = [base] port2 = [base] port3 = [base] port4 = [base] #投資次數步長 for step in range(500): rnd = random.random() if rnd < pwin: next_step = b else: next_step = -c if port1[-1] > base*(1-stopline): port1.append(port1[-1]*(1+next_step)) else: port1.append(port1[-1]) if port2[-1] > base*(1-stopline): port2.append(port2[-1]*(1+next_step*kelly_position)) else: port2.append(port2[-1]) if port3[-1] > base*(1-stopline): port3.append(port3[-1]*(1+next_step*rnd_position)) else: port3.append(port3[-1]) if port4[-1] > base*(1-stopline): port4.append(port4[-1]*(1+next_step*rnd_position2)) else: port4.append(port4[-1]) port_A[i] = port1 port_B[i] = port2 port_C[i] = port3 port_D[i] = port4
plt.figure(figsize = (8,5))
plt.plot(exp(log(port_A.T).sum()/1000),label = 'port1:full')
plt.plot(exp(log(port_B.T).sum()/1000),label = 'port2:kelly')
plt.plot(exp(log(port_C.T).sum()/1000),label = 'port3:position = 0.6')
plt.plot(exp(log(port_D.T).sum()/1000),label = 'port3:position = 0.9')
plt.legend(loc = 0)
print '
不同組合的幾何期望收益'
print 'full position %s'%exp(log(port_A.T).sum()/1000).iloc[-1]
print 'kelly position %s'%exp(log(port_B.T).sum()/1000).iloc[-1]
print 'position = 0.6 %s'%exp(log(port_C.T).sum()/1000).iloc[-1]
print 'position = 0.9 %s'%exp(log(port_D.T).sum()/1000).iloc[-1]

同樣四種倉位操作後的資金曲線來進行比較:

1. 凱利公式下資金曲線增長是最快的。

2. 高於或低於凱利公式的比例資金曲線增長都不是最快的。

再思考一個問題:關於槓桿

再多舉一個例子:f>1

研究不能止步於此啊。很多知道凱利公式的朋友都有的疑問,是凱利計算出來的倉位容易過大。比如一不小心就提示幾倍,幾十倍了。這是什麼情況呢?

比如我們找到一個信號:Pwin=0.7,Ploss=0.3,b=0.20,c=0.20

來看看實驗結果(代碼同上,只修改上述參數)

f>1了,甚至等於4了,什麼意思!!凱利公式在告訴你這個信號太好了,值得你做4倍的槓桿來操作~!什麼,你説我多加一點好不好,看上圖,加到6倍顯然就挫了。。。

(想知道凱利公式為何能做到幾何期望收益最大化,證明過程戳wiki百科自行科普)

再思考一個止損的問題,stopline不為1

上面槓桿的問題引出其實説明了A股版凱利公式

暗含的一個假設

資金可以隨意無摩擦地加槓桿操作,無借貸成本。

什麼意思。一個好的信號,凱利會告訴你在已知風險(Pwin,Ploss,b和c)的情況下,最優的槓桿是多少。你可以毫不猶豫的就按這個槓桿去操作,最大化自己的資金曲線。

那麼真實情況下呢,我們可能不加槓桿,而且也不能承受全部本金損失掉的風險。也就是,我們stopline會小於1,甚至只到30%或者20%。那這時候凱利公式怎麼用?

這裏不做實驗,僅拋個引子。感興趣的朋友可以繼續深入研究,也歡迎與我探討。

A. 靜態止損:即虧損本金的固定數額後撤出投資

stopline應為此時剩餘可承受的損失/本金base。

舉例:base=100元,輸20元止損。initial_stopline = 0.2。假設損失率c = 0.04

第一次,賠了4塊,base=96,stopline = (20-4)/96 = 0.16

第n次,輸輸贏贏後,base = 250,stopline = (150+20)/250 = 0.68

B. 動態止損:即虧損剩餘資金的一定比例後撤出投資

比如動態20%止損。base =100元,賺到200元後,如虧損到160元即止損。

這個具體實驗就留給各位自己研究啦~~

Bonus:小結一下

好啦,少年。真正賺錢的是找有效的因子or信號,使得Pwin儘可能大,b儘可能大。無論是以往大家關注的一些技術指標(各種金叉、死叉)還是量價指標(放量、突破等等)又或者是財務指標,都可以作為一個信號。

統計歷史信號出現時的一個表現,得到這個信號產生的收益的分佈。只要這個信號的收益分佈正偏一些些,就是純純的Alpha啊。當然這個因子or信號的挖掘,就是作為礦工孜孜不倦追求的終極目標了。當你找到這樣一個神奇的信號,配上凱利公式會讓你的財富增加更快~

好啦,説完啦。挖信號去了~

致謝

本文研究工具為IPython Notebook 2.7。API來自聚寬(JoinQuant),在此表示感謝。

更多擴展可見:

好多凱利公式的文章,但好像沒有説透徹的……

關於凱利和他的財富公式,有一本書專門介紹這個。

財富公式:玩轉拉斯維加斯和華爾街的故事.PDF

,密碼:i8fi。

最後:附上凱利的論文,

資源共享,是人類進步的推動力

『分享文章+關注公眾號』

回復『大數據書籍』or『量化書籍』領取

更多內容:

神秘的寬客們 - 知乎專欄

編輯於 2016-05-19 16:55

寬客 (Quant)

投資

程序化交易

​贊同 530​​70 條評論​分享​喜歡​收藏​申請轉載​

文章被以下專欄收錄

神秘的寬客們

有趣,有聊,有用的寬客。歡迎關注同名微信公眾號

「如何保護個人信息:安全外圍賭博建議」

如何保護個人信息:安全Emixbet電運娛樂外圍賭博建議

在互聯網時代,個人信息的保護變得非常重要。下面是一些安全Emixbet電運娛樂外圍賭博建議,幫助您更好地保護自己的個人信息:

  1. 選擇可信賴的Emixbet電運娛樂外圍賭博網站: 在選擇外圍賭博網站時,請確保其具有良好的聲譽和信譽,以避免您的個人信息被不安全的網站利用或盜竊。
  2. 使用強大的密碼: 創建一個強大的密碼,包括字母、數字和特殊字符,並定期更換密碼。
  3. 不要在公共場所使用公共Wi-Fi: 避免在咖啡廳、圖書館等公共場所使用公共Wi-Fi,這些網絡容易受到黑客的攻擊,導致您的個人信息被盜。
  4. 定期檢查賬户活動: 定期檢查您的外圍賭博賬户活動,確保沒有出現任何不明賬户活動,如未授權的登錄或交易。
  5. 不要隨便點擊來歷不明的鏈接: 接收到來路不明的電子郵件或信息時,不要隨便點擊其中的鏈接,以免陷入釣魚攻擊或下載含有惡意軟件的文件。
  6. 更新您的設備和軟件: 定期更新您的設備和軟件,包括操作系統、防病毒軟件和防火墻,以確保您的系統是最新的並能夠抵禦安全威脅。
  7. 使用雙因素身份驗證: 啟用雙因素身份驗證,這將使您的賬户更加安全,因為黑客需要更多的資訊才能訪問您的賬户。
  8. 識別釣魚和惡意網站: 學會識別釣魚和惡意網站的特徵,如錯誤的URL、錯誤的拼寫和不安全的網站警告,避免在這些網站上輸入個人信息。
  9. 定期備份您的資料: 定期備份您的個人信息,包括賬户信息和交易記錄,以防止意外數據丟失。

通過遵循上述建議,您可以更好地保護您的個人信息,確保在外圍賭博過程中保持安全。

Emixbet電運娛樂21點 #Emixbet電運娛樂輪盤 #Emixbet電運娛樂外圍

Edit

Pub: 02 Jun 2024 22:01 UTC

Views: 18