博弈之美(转)
来源:互联网 发布:pc蛋蛋近三期的算法 编辑:程序博客网 时间:2024/05/16 08:28
博弈中有两个关键词:概率和策略。
以前只抓住了概率缺忽略了策略。例如,赌客和庄家的每次对赌获胜概率都为50%,并且每次对赌不相关,就简单的认为对赌的越久,赌客赢钱和输钱的概 率都趋近于0,即不赔不赚。如果你同意上面的这句话,恭喜,这的典型的忽略策略的表现。因为它隐含的策略是赌客每次下的赌注都一样。这样收益才可能与概率 相同。非常明显,因为人人都这么想,这并不是什么高明的策略。
一、如何才能在获胜概率为50%的前提下,保证收益?
事实上,在概率一定的情况下,选用合适的策略是能达到这样的目的的。
如果满足以下条件:
1、赌客可以选择赌博金额的大小。
2、赌客可以选择什么时候结束赌博。
3、赌客具有相对无限的本金。
那么“合适的策略”是:
1、赌局开始和每次赢钱后都以相同的基数再次放入赌局对赌,例如10元。
2、如果输钱,则再放入赌桌的钱为输掉钱的两倍。
事实上,我发现,赌客如果在赢钱后离开赌桌,那么他赢得的钱将是:赢的次数*基数。因为每次赢钱总能将以前所有的亏钱填满并多出10的赢利。
高赢率,例如不是50%的胜率而是90%的胜率,能保证相同赌博次数内赢的次数更多;更高的基数,例如不是10元而是100元,能保证每次赢的收入更多。
举个例子,例如我的胜率是50%,每次赌博下注的基数是10,,那么在赌博100次后,我赢钱的期望为100*50%*10=500。虽然实际中可能有上下的浮动,但我的收益是可以估算出来的。
二、下注的基数是不是越大越好?
在和同学的讨论中我们发现,胜率是越高越好的,而赌博基数却显得比较暧昧。
基数的选的越大,虽然每次赢利越多,但承担的亏钱风险却越大,因为现实中的本金总是有上限的。
例如,10元钱连续亏本10次就会折去5120元的本金,而这种事件发生的概率为1/1024。并不是一个很小的概率,可恶的是,为了降低风险,必须降低基数,而基数的降低会带来收益减少。
三、基数的降低会带来收益减少,事实真的是这样的吗?
当然不是,通过分散基数投入多个市场(多个赌场),并在小概率事件发生时止损,就可以有效的分散风险。
举例:将10元钱分散为10个1元投入10个赌桌同时对赌,假如一天赌场每张赌桌只能赌博100次,每张赌桌收益为100*50%*1=50,那么10张赌桌的收益就为50*10=500。这与将10元放在一张赌桌上的收益相同。
但风险被缩小了!
假如本金为1W,基数为10元仅仅需连续输钱10次就能让赌客破产,这样的事件概率为1/1024。
而当基数10元被分散为1元时,连续输钱10次仅让赌客损失512,赌客破产需要连续输上14次,这样事件的概率为1/16384。比前一种做法小了16倍。
四、1/16384的概率很诱人,但我不喜欢赌,风险可以更小吗?
当然有,更明智的做法是止损,概率为1/1024的事件发生时,就及时承认损失出场。这样,剩下的9张赌桌还在为赌客赚钱,常用这种策略,破产的概率是1024的10次方=1.2676506 × 1030 ,即10张赌桌同时发生1/1024概率的连输10次事件才会破产,这样低的概率可以认为赌客不会破产。
更让人心动的是,分散对收益的期望相同很小:
分散前的期望=10*50%*10-(1/1024)*5120=45
分散后的期望=10*50%*1*10-(1/1024)*512*10=45
由此可见,合适的策略不但带来意想不到的赢利,还能有效的降低风险。(你能看出以上描述的错误之处么?见第五点)
重申一遍合适的策略:
1、赌局开始和每次赢钱后都以相同的基数再次放入赌局对赌。
2、如果输钱,则再放入赌桌的钱为输掉钱的两倍。
3、控制每张赌桌的基数,增加同时对赌的桌数。
五、但是,合适的策略还是有漏洞的!
我们不能拿事先估计的对赌次数来计算期望,因为我们假设对赌10次,但再第十次输掉的时候必须继续赌,直到赢回来才能收手,这样才符合第2条策略,那么对赌的次数就不是10次,而是一个未知数了,但赌到止损,胜利的次数是一定的。
如果假设加入止损行为,那么收益的期望变为:10*50%*1-(1/1024)*512*10=0
如果将止损线改为4,收益期望为仍为0:10*50%*1-(1/4)*2*10=0
期望还是为0,那么赌的次数越多,越可以在一次小概率事件后回到解放前。
结果是:要么不发生小概率事件,一发生的后果就是白忙一场!因为现实中打不到资金无上限的要求。
策略帮助我们在大部分时候获得收益,但不能规避小概率事件发生带来的期望归零。
六、难道注定竹篮打水一场空?
这时候还要回归概率!如果赌客胜率略大于50%,发现这一切实在是太妙了。绝妙处不来自于大部分时候收益的提高,而是极大的规避了小概率事件,因为我们注意到小概率事件发生的概率是(1-赌客胜率)的N次方,N是赌博次数或是资金上限对应的N。
举例:胜率由50%提高到了51%
收益期望=10*51%*1-(49%的10次方)*512*10=5.1-4.085=1.014
效果非常明显,即使是1个百分点胜率的浮动,带来的收益期望是从0上升到了1.014
如果 胜率由51%提高到了52%
收益期望=10*52%*1-(48%的10次方)*512*10=5.2-3.324=1.875
虽然有上升,但效用不及第一个上升的百分之一!
随着概率的进一步增大,边际效用递减明显,而且易被察觉。所以,事实上,只需要最初提高的1%概率既可以保证收益。而收益的来源不是开源,而是节流,减小了小概率事件的发生!
- 博弈之美(转)
- 人机博弈之(一)------博弈介绍
- 人机博弈之(一)------博弈介绍
- 功能测试之美(转)
- [转]数学之美
- 编程之美1.12 尼姆博弈拓展的分析与论证
- 经典博弈(转)
- (转)博弈
- 博弈 (转)
- (转)《编程之美》 萤火虫之光
- 博弈之威佐夫博弈详解
- 博弈之威佐夫博弈详解
- 【转】C# 指针之美
- 代码之美-1[转]
- 代码之美-2[转]
- 数据之美(上)
- 数据之美(下)
- 数据之美(三)
- 简单的windows程序
- 浏阳周洛游记
- centOS 安装apache
- 一个C#多线程读文件列表的方法
- c-tree数据库(c-treeACE)(4):工具篇之三:一个不能用的工具
- 博弈之美(转)
- 我来;啊
- core文件的调试使用
- [转]架构师接龙:腾讯高级工程师邝宇恒VS. 百度架构师侯震宇
- VS2008 连接 SAP 4.6C RFC 经验分享(折腾了两天)
- 抽像类和接口的区别
- 知已知彼
- 团队组织结构
- MacOS下设置字幕编码