Kelly基準、賭け過ぎれば期待値プラスでも破産

この記事はKelly基準をJohn L. Kelly Jr.の1956年の論文にさかのぼり、もともとは情報が資本成長にどう寄与するかを記述する通信理論の枠組みだったこと、後にカジノ、スポーツベッティング、投資、ポートフォリオ最適化へと広がったことをたどる。これらの場面に共通するのは目的の一点の転換であり、この基準は1回あたりの期待利益を最大化するのではなく、資本の期待対数成長率、すなわち複利成長率を最大化する。著者はこれを古典的なコイン投げの例——勝率60%、負け40%、イーブンマネー——で説明する。この例では期待値はプラス（賭け金1単位あたり0.2）だが、毎回全資金を賭ければ最終的に破産する。ここでのKelly比率は20%となり、30%や40%を賭けると期待対数成長は下がり、やがてゼロを下回る。この基準の最も鋭い教訓は、賭け過ぎがプラスの期待値を長期的な衰退に変えるという点にある。

そこから解説は実践的な安全策へ移る。真の勝率は決して分からないため、理論上の比率を使うFull Kellyは危険であり、記事はFull Kelly（c = 1.0）からHalf Kelly（0.5）、Quarter Kelly（0.25）、1/8 Kelly（0.125）までの段階を示す。機械学習との関連で議論はさらに鋭くなる。Kellyが消費するのはラベルではなく確率であるため、単に正しく分類するモデルでも確率がずれていれば安全とは言えず、著者はLog Loss、Brier Score、ECE、校正曲線といった指標でずれを確認する方法を挙げる。同じ注意は10進オッズにも及び、有利さが本当にあると仮定する前に、ブックメーカーのマージン——暗示確率の合計が100%を超えることで見える——を考慮しなければならない。

後半では実装手順が示される。分数と上限のパラメータを持つKelly比率関数、期待対数成長関数、そしてデータを時系列で分割し、検証期間で校正を確認し、真の有利さがある賭けだけを対象に賭け金を決め、その後資金推移、最大ドローダウン、ROI、賭け数を見る最小限のバックテストである。著者の最後の警告は、これらの確認に失敗するKelly戦略は計算式が正しくても危険であり、この基準を機械学習と組み合わせる際の本当の問いはモデルの確率をどこまで信頼できるかだという点にある。その信頼が妥当かどうかは個々のケースの校正の証拠にかかっており、モデル出力で実際にポジションを決める実務者にとって、それが注視すべき実践的な試金石である。