Kellija kritērijs

Kellija kritērijs (arī Kellija stratēģija vai Kellija likme) varbūtību teorijā ir formula likmju izmēram, kas maksimizē ilgtermiņa gaidāmo vērtību kapitāla logaritmam. Šis formulējums ir ekvivalents ilgtermiņa ģeometriskā vidējā augšanas koeficienta maksimizēšanai. Formulu pielieto azartspēļu teorijā, kā arī ar šo ideju var skaidrot diversifikāciju un investīciju menedžēšanu.

Ja katram notikumam ir tikai divi iespējami iznākumi — iegūt vai zaudēt kādu nemainīgu daļu no likmes —, tad pastāv tāda optimālā likme, lai maksimizētu augšanas koeficientu.

Ja zaudējums nozīmē visas likmes zaudēšanu, tad Kellija likme ir:

${\displaystyle f^{*}=p-{\frac {q}{b}}}$, kur ${\displaystyle f^{*}}$ - daļa no kapitāla kā likme, ${\displaystyle p}$ - varbūtība uzvarēt, ${\displaystyle q=1-p}$ - varbūtība zaudēt, ${\displaystyle b}$ - attiecība starp peļņu un likmi (piemēram, ja uzvaras koeficients ir 3, tad 10$ likme uzvarā atgrieztu 30$, jeb 20$ peļņu, tad ${\displaystyle b=20\$/10\$=2}$).

Piemēram, ja iespēja uzvarēt ir 60 % (${\displaystyle p=0,6,\ q=0,4}$) un uzvaras koeficients ir 2 (${\displaystyle b=1}$), tad, lai maksimizētu ilgtermiņa augšanas koeficientu kapitālam, spēlmanim jāliek 20 % no kapitāla kā likme katrā spēlē (${\displaystyle f^{*}=0,6-{\frac {0,4}{1}}=0,2}$).

Ja spēlmanim nav par labu šī spēle, pēc formulas iegūs nulli vai negatīvu skaitli, kas atbilst spēles nespēlēšanai, vai iespējams būt spēles vadītājam, uzņemoties bukmeikera lomu.

Vispārīgāka formula pieļauj daļēju likmes zaudējumu:

${\displaystyle f^{*}={\frac {p}{a}}-{\frac {q}{b}}}$, kur ${\displaystyle f^{*}}$ - daļa no kapitāla kā likme, ${\displaystyle p}$ - varbūtība uzvarēt, ${\displaystyle q=1-p}$ - varbūtība zaudēt, ${\displaystyle a}$ - attiecība starp zaudēto likmes daļu un likmi (piemēram, ja 10% no likmes tika zaudēta, tad ${\displaystyle a={\frac {0,1\cdot f^{*}\cdot S}{f^{*}\cdot S}}=0,1}$, kur ${\displaystyle S}$ - kapitāls) ${\displaystyle b}$ - attiecība starp peļņu un likmi.

Jāņem vērā, ka formula pieņem zināmas, nemainīgas varbūtības un izmaksas, kas nav spēkā ieguldījumiem. Kā arī iespējams mazināt risku, mazinot ieguldīto daļu Kellija likmei.

Ja ir vēlme ieguldījumu modelēt ar bezgalīgi daudz iespējamiem iznākumiem (kā arī ietvert iespēju ieguldīt citur), tad var izmantot nepārtrauktus varbūtību sadalījumus (piemēram, normālsadalījumu). Tādā gadījumā ieguldijuma formula kļūst par:

${\displaystyle f^{*}={\frac {\mu -r}{\sigma ^{2}}}}$, kur ${\displaystyle f^{*}}$ - daļa no kapitāla kā likme, ${\displaystyle \mu }$ - vidējais iznākums ieguldod vienu kapitāla vienību, ${\displaystyle r}$ - vidējais iznākums ieguldot citur ar minimālu risku(piemēram, valsts obligācijās), ${\displaystyle \sigma ^{2}}$ ir dispersija (${\displaystyle \sigma }$ ir standartnovirze).^[1]

Pieņemsim, ka sākuma kapitāls ir ${\displaystyle S}$, daļa no kapitāla ieguldīta katrā likmē ir ${\displaystyle f}$, varbūtība uzvarēt ir ${\displaystyle p}$, kas dod peļņas/likmes attiecību ${\displaystyle b}$. Ja tiek uzvarēts, jaunais kapitāls ir ${\displaystyle S+Sfb}$. Varbūtība zaudēt ir ${\displaystyle q=1-p}$ un zaudētās likmes daļas/likmes attiecība ir ${\displaystyle a}$. Ja tiek zaudēts, tad jaunais kapitāls ir ${\displaystyle S-Sfa}$. Ar matemātisku indukciju var pierādīt, ka kapitāls pēc ${\displaystyle N}$ raundiem ${\displaystyle S_{N}}$ būs formā ${\displaystyle S_{N}={\begin{cases}S_{o}\cdot (1+fb)^{W}\cdot (1-fa)^{L}\\W+L=N\end{cases}}}$

${\displaystyle {\begin{aligned}{\text{Bāze }}N=1:\ S_{1}={\begin{cases}S_{o}+S_{o}fb=S_{o}(1+fb),{\text{ ja uzvar}}\\S_{o}-S_{o}fa=S_{o}(1-fa),{\text{ ja zaudē}}\end{cases}}\end{aligned}}}$

${\displaystyle {\begin{aligned}{\text{Pieņēmums }}N=k:\ S_{k}={\begin{cases}S_{k-1}+S_{k-1}fb=S_{k-1}\cdot (1+fb)=S_{o}\cdot (1+fb)^{W+1}\cdot (1-fa)^{L},{\text{ ja uzvar}}\\S_{k-1}-S_{k-1}fa=S_{k-1}\cdot (1-fa)=S_{o}\cdot (1+fb)^{W}\cdot (1-fa)^{L+1},{\text{ ja zaudē}}\end{cases}}\end{aligned}}}$

${\displaystyle {\begin{aligned}{\text{Apskatām }}N=k+1:\ S_{k+1}={\begin{cases}S_{k}+S_{k}fb=S_{k}\cdot (1+fb)=S_{o}\cdot (1+fb)^{W+2}\cdot (1-fa)^{L},{\text{ ja uzvar un uzvar}}\\S_{k}-S_{k}fa=S_{k}\cdot (1+fb)=S_{o}\cdot (1+fb)^{W+1}\cdot (1-fa)^{L+1},{\text{ ja uzvar un zaudē}}\\S_{k}+S_{k}fb=S_{k}\cdot (1+fb)=S_{o}\cdot (1+fb)^{W+1}\cdot (1-fa)^{L+1},{\text{ ja zaudē un uzvar}}\\S_{k}-S_{k}fa=S_{k}\cdot (1-fa)=S_{o}\cdot (1+fb)^{W}\cdot (1-fa)^{L+2},{\text{ ja zaudē un zaudē}}\end{cases}}\end{aligned}}}$

Ir induktīvi apskatīti visi gadījumi, tādēļ kapitāls būs formā ${\displaystyle S_{N}={\begin{cases}S_{o}\cdot (1+fb)^{W}\cdot (1-fa)^{L}\\W+L=N\end{cases}}}$

Kapitāla izteiksmes daļu ${\displaystyle (1+fb)^{W}\cdot (1-fa)^{L}}$ sauc par augšanas koefcientu kāpinātu ${\displaystyle N}$ pakāpē ${\displaystyle r^{N}}$. Pašu augšanas koeficientu var iegūt paņemot N-to sakni no izteiksmes.

Līdz ar to gaidāmais augšanas koeficients ilgtermiņā ir:

${\displaystyle r=\lim _{N\rightarrow \infty }{\sqrt[{N}]{(1+fb)^{W}\cdot (1-fa)^{L}}}}$, kur ${\displaystyle W}$- uzvarēto raundu skaits, ${\displaystyle L}$- zaudēto raundu skaits, ${\displaystyle N=(W+L)}$- raundu skaits. Pēc lielo skaitļu likuma, ${\displaystyle \lim _{N\rightarrow \infty }{\frac {W}{N}}=p}$ un ${\displaystyle \lim _{N\rightarrow \infty }{\frac {L}{N}}=q}$, tādēļ ${\displaystyle r=(1+fb)^{p}\cdot (1-fa)^{q}}$^[2]

Tiek meklēta ieguldītā kapitāla daļa ${\displaystyle f}$ pie kuras šis augšanas koeficients ir maksimāls, ko var iegūt ar atvasinašanu. Vienkāršības labad var ņemt funkcijas logaritmu.

${\displaystyle E=\ln(r)=p\ln {(1+fb)}+q\ln {(1-fa)}}$, kur ${\displaystyle E}$ ir naturālais logaritms no augšanas koeficienta(citi logaritmi arī derētu). Tad šo funkciju var atvasināt pēc ${\displaystyle f}$ un pielīdzināt nullei:

${\displaystyle {\frac {dE}{df}}={\frac {pb}{1+fb}}-{\frac {qa}{1-fa}}=0}$, ja atcerās, ka ${\displaystyle p+q=1}$(varbūtība uzvarēt plus varbūtība zaudēt ir visa varbūtība), tad iegūst ieguldījumu formulu ${\displaystyle f^{*}={\frac {p}{a}}-{\frac {q}{b}}}$, kur ar ${\displaystyle f^{*}}$ apzīmē optimālo ieguldījuma daļu.

Iemesls kādēļ Kellija likme maksimizē augšanas koeficientu nevis peļņu katrā likmē ir tādā, ka, maksimizējot sagaidāmo vērtību kapitālam noved pie vairuma gadījuma bankrota.^[2] Ar tiem pašiem mainīgo nosaukumiem, var pierakstīt sagaidāmo vērtību kapitālam ${\displaystyle S}$ pēc viena raunda:

${\displaystyle E(S)=p\cdot (1+fb)+q\cdot (1-fa)}$, atverot iekavas iegūst ${\displaystyle E(S)=p+pfb+q-qfa}$, tad tiek meklēts tāda ieguldītā kapitāla daļa ${\displaystyle f}$ pie kuras sagaidāmā vērtība kapitālam būtu maksimāla, ko var iegūt ar atvasināšanu. ${\displaystyle {\frac {dE(S)}{df}}=pb-qa}$. Šī izteiksme nav atkarīga no ${\displaystyle f}$, tādēļ neatvasinātā funkcija ir vai nu monotoni augoša vai dilstoša, mainot ${\displaystyle f}$. Ja šī funkcija ir pozitīva, tad lielāka Kellija likme novedīs pie lielākas sagaidāmās vērtības kapitālam ${\displaystyle E(S)}$.

Šis rezultāts nav pārāk noderīgs, jo situācijā, kur likme ir visa divkāršota vai zaudāta(${\displaystyle a,b=1}$) un varbūtības uzvarēt 51%(${\displaystyle p=0.51,q=(1-p)=0.49}$), sagaidāmās vērtības atvasinājums pēc likmi ir pozitīvs ${\displaystyle {\frac {dE(S)}{df}}=0.51\cdot 1-0.49\cdot 1=0.02}$, kas nozīmē nepieciešams likt kā likmi maksimāli daudz kapitālu lai sagaidāmi maksimāli nopelnītu. Taču 10 reizes pēc kārtas ieguldot visu kapitālu, varbūtība bankrotēt ir ${\displaystyle (1-0.51^{10})*100\%=99.88\%}$, kas nav vēlams iznākums. Iespējams noderīga analoģiju būtu, ja starp 1000 cilvēkiem 999 no tiem nekas nepieder, bet viens ir miljardieris, tad vidēji katrs ir miljonārs.

Pieņemsim ${\displaystyle X}$ ir gadījuma lielums, kas norāda iznākumu ieguldot vienu kapitāla vienību. Sadalīsim normālsadalījumu uz pusēm un pieņemsim, ka ir tikai vienlīdz iespējami divi iznākumi ${\displaystyle P(X=\mu +\sigma )=P(X=\mu -\sigma )={\frac {1}{2}}}$ (Vēlāk tiks pārveidots par nepārtrauktu sadalījumu).

Pieņemsim, ka sākuma kapitāls ir ${\displaystyle S}$, tad kapitāls pēc vienas iterācijas būs: ${\displaystyle S(f)=S\cdot (1+(1-f)r)+fX)}$, kur ${\displaystyle f}$ ir ieguldītā daļa no kapitāla, ${\displaystyle r}$ ir iegūtā kapitāla daļa no cita ieguldījuma(var arī būt nulle). Ņemot logaritmu kapitālu attiecībai iegūst:

${\displaystyle G(f)=E\left(\ln \left({\frac {S(f)}{S}}\right)\right)}$, kur ${\displaystyle E(...)}$ ir sagaidāmā vērtība, ${\displaystyle \ln(...)}$ ir naturālais logaritms.

${\displaystyle G(f)={\frac {1}{2}}\cdot \ln \left(1+(1-f)r+f(\mu +\sigma )\right)+{\frac {1}{2}}\cdot \ln \left(1+(1-f)r+f(\mu -\sigma )\right)}$

Pieņemsim ${\displaystyle X}$ ir gadījuma lielums, kas norāda iznākumu ieguldot vienu kapitāla vienību. Sadalīsim normālsadalījumu uz pusēm un pieņemsim, ka ${\displaystyle P(X=\mu +\sigma )=P(X=\mu -\sigma )={\frac {1}{2}}}$.

Pieņemsim, ka sākuma kapitāls ir ${\displaystyle S}$, tad kapitāls pēc vienas iterācijas būs: ${\displaystyle S(f)=S\cdot (1+(1-f)r)+fX)}$, kur ${\displaystyle f}$ ir ieguldītā daļa no kapitāla, ${\displaystyle r}$ ir iegūtā kapitāla daļa no cita ieguldījuma(var arī būt nulle). Ņemot logaritmu kapitālu attiecībai iegūst:

${\displaystyle G(f)=E\left(\ln \left({\frac {S(f)}{S}}\right)\right)}$, kur ${\displaystyle E(...)}$ ir sagaidāmā vērtība, ${\displaystyle \ln(...)}$ ir naturālais logaritms.

${\displaystyle G(f)={\frac {1}{2}}\cdot \ln \left(1+(1-f)r+f(\mu +\sigma )\right)+{\frac {1}{2}}\cdot \ln \left(1+(1-f)r+f(\mu -\sigma )\right)}$

Visu laika intervālu var sadalīt n laika soļos, tad vairākos mazos iznākums ieguldot vienu kapitālu katrā laika solī var apzīmēt ar ${\displaystyle X_{i}}$, kur ${\displaystyle i=1,2,...,n}$ (šādi tiek ieviesta nepārtrauktība). Arī ir spēkā: ${\displaystyle P(X_{i}={\frac {\mu }{n}}+\sigma n^{-{\frac {1}{2}}})=P(X_{i}={\frac {\mu }{n}}-\sigma n^{-{\frac {1}{2}}})={\frac {1}{2}}}$. (No centrālās robežteorēmas vairāks reizes summējot to pašu sadalījumu, vidējā vērtība ${\displaystyle \mu }$ pieaug proporcionāli sadalījumu skaitam n, bet strandartnovirze ${\displaystyle \sigma }$ pieaug proporcionāli sadalījumu skaitu kvadrātsaknei ${\displaystyle {\sqrt {n}}}$). Tagad šo laika soļu versiju var ievietot oriģinālajā funkcijā:

${\displaystyle G_{n}(f)=E\left(\ln \left({\frac {S_{n}(f)}{S}}\right)\right)=\sum _{i=1}^{n}\left[{\frac {1}{2}}\cdot \ln \left(1+(1-f){\frac {r}{n}}+f({\frac {\mu }{n}}+\sigma n^{-{\frac {1}{2}}})\right)+{\frac {1}{2}}\cdot \ln \left(1+(1-f){\frac {r}{n}}+f({\frac {\mu }{n}}-\sigma n^{-{\frac {1}{2}}}))\right)\right]}$

Tā kā funkcija nav atkarīga no ${\displaystyle i}$, tad parādās reizinātājs ${\displaystyle n}$ un iegūst: ${\displaystyle G_{n}(f)={\frac {n}{2}}\ln \left(\left(1+(1-f){\frac {r}{n}}+f{\frac {\mu }{n}}\right)^{2}-f^{2}\sigma ^{2}n^{-1}\right)}$

Ieviešam Teilora rindas tuvinājumu šai funkcijai ap ${\displaystyle f=0}$, iegūstam:

${\displaystyle {\begin{cases}G_{n}(f=0)=n\cdot {\frac {r}{n}}+O(n^{-{\frac {1}{2}}})\\{\frac {dG_{n}(f=0)}{df}}=n\cdot {\frac {\mu -r}{n}}+O(n^{-{\frac {1}{2}}})\\{\frac {d^{2}G_{n}(f=0))}{df^{2}}}=n\cdot -{\frac {\sigma ^{2}}{2n}}+O(n^{-{\frac {1}{2}}})\\{\frac {d^{k}G_{n}(f=0)}{df^{k}}}=O(n^{-{\frac {1}{2}}}),\ k>3\end{cases}}}$, līdz ar to funkciju var pierakstīt kā:

${\displaystyle G_{n}(f)=r+(\mu -r)f-\sigma ^{2}{\frac {f^{2}}{2}}+O(n^{-{\frac {1}{2}}})}$, ņemot robežu ${\displaystyle n\to \infty }$ iegūst ${\displaystyle G_{\infty }(f)=r+(\mu -r)f-\sigma ^{2}{\frac {f^{2}}{2}}}$. Atvasinot uz pielīdzinot nullei (ekstrēms punkts) iegūst:

${\displaystyle f^{*}={\frac {\mu -r}{\sigma ^{2}}}}$^[1]