战胜庄家

📜 算牌法的诞生故事

1960年代初,年轻的数学教授爱德华·索普获得了IBM 704大型计算机的使用权——这台机器在当时是最先进的计算设备,每秒可进行12,000次运算。索普编写了一个开创性的程序,模拟了数百万局21点游戏,计算每种可能情况下的最优策略。经过数月的计算和分析,他发现了一个惊人的事实:通过追踪已发出的牌,玩家可以在统计上获得优势!1961年,他在美国数学学会年会上发表了这一发现,震惊了学术界。1962年,他出版了《战胜庄家》一书,详细阐述了基本策略和算牌方法。为了验证理论,索普亲自前往拉斯维加斯进行实战测试,用1万美元的资金在周末获得了可观的收益,最终证明了数学可以战胜赌场。这个故事标志着定量分析在现实决策中应用的开端。

这不仅仅是一本关于赌博的书。索普的方法论展示了如何将复杂系统分解为可计算的数学问题,如何在不确定性中做出最优决策,以及如何利用微小的优势通过资金管理实现长期盈利。这些原理后来被广泛应用于金融交易、风险管理和算法决策。

赔付规则

• Blackjack: 赔付3:2(下注$10赢得$15)
• 普通获胜: 赔付1:1(下注$10赢得$10)
• 保险: 赔付2:1(但期望值为负,不建议购买)

📖 如何使用这个游戏

• 1️⃣ 设置赌注: 使用 +$10 和 -$10 按钮调整每局的下注金额
• 2️⃣ 点击"发牌": 游戏开始,你和庄家各获得2张牌(庄家有1张牌面朝下)
• 3️⃣ 做决策: 根据你的牌和庄家的明牌,选择行动:
• • 要牌(Hit): 再抽一张牌,如果超过21点就爆牌输了
• • 停牌(Stand): 不再要牌,轮到庄家行动
• • 双倍(Double): 把赌注翻倍,只能再抽1张牌,适合你有优势的时候
• • 投降(Surrender): 认输,拿回一半赌注,在非常不利时使用
• 4️⃣ 开启"基本策略提示": 系统会告诉你数学上的最优选择
• 5️⃣ 观察算牌数据: 游戏会自动计算 Running Count 和 True Count

🎯 什么是 Running Count 和 True Count?

Running Count(流水计数)是已发出的所有牌的累计计数值。True Count(真实计数)是Running Count除以剩余牌副数,它更准确地反映你的优势。当True Count > 1时,你拥有统计优势,应该加大下注!

💡 游戏提示: 这个游戏使用6副牌。当剩余牌少于1副时会自动洗牌,此时计数会归零。尝试玩几局,观察计数如何变化,以及何时出现正数(对你有利)或负数(对庄家有利)。

示例:玩家16点 vs 庄家10点

假设玩家手牌为16点,庄家明牌为10。我们需要比较"要牌"和"停牌"的期望值:

1. 停牌(Stand)的期望值:庄家完成手牌后,庄家爆牌概率约为23%,庄家17-20点概率约为77%。由于玩家16点,只有庄家爆牌时才能获胜。EV(停牌) ≈ 0.23 × (+1) + 0.77 × (-1) = -0.54
2. 要牌(Hit)的期望值:抽到A-5(5张牌)使玩家达到17-21点,概率为5/13 ≈ 38.5%;抽到6-K(8张牌)使玩家爆牌,概率为8/13 ≈ 61.5%。但如果达到17-21点,还需要继续与庄家比较。经过完整计算,EV(要牌) ≈ -0.52
3. 比较:-0.52 > -0.54,因此虽然两个选项都是负期望,但要牌的期望损失更小,所以基本策略建议要牌(H)

这个例子展示了为什么16点对10是最难的情况之一——两个选项都很糟糕,但通过精确计算可以找到损失最小的选择。

📜 算牌的诞生故事

1960年,爱德华·索普在研究博弈论时产生了一个大胆的想法:既然21点的牌不会放回牌堆,那么剩余牌堆的组成必然会影响后续的胜率。他利用麻省理工学院和IBM公司的计算机,编写程序模拟了数千万局游戏,追踪不同牌堆组成下玩家的优势。经过大量计算,他发现当牌堆中剩余较多10点牌和A时,玩家的获胜概率会显著提高。基于这一发现,他设计了Hi-Lo算牌系统——一个简单但极其有效的计数方法。1962年《战胜庄家》出版后,算牌技术迅速传播,引发了赌场行业的大地震。拉斯维加斯的赌场老板们紧急召开会议,修改游戏规则以应对这种新威胁。这是人类历史上首次通过数学和计算机科学在赌场游戏中获得系统性优势。

True Count与玩家优势的关系(基于6副牌,基本策略):

• 1️⃣ True Count = 0: 玩家劣势约-0.5%(这是基本策略下的赌场优势)
• 2️⃣ True Count = +1: 玩家劣势约0%(达到平衡点,但还没有优势)
• 3️⃣ True Count = +2: 玩家优势约+0.5%(开始有微小优势,建议加大下注)
• 4️⃣ True Count = +3: 玩家优势约+1.0%(优势明显,这是理想的下注时机)
• 5️⃣ True Count = +4: 玩家优势约+1.5%(大幅优势,应该下重注)
• 6️⃣ True Count = +5: 玩家优势约+2.0%(极佳机会,但要注意不要太明显)
• 📈 推导过程: 每增加1点True Count,牌堆中每13张牌就多出1张高牌,这会增加约0.5%的玩家优势
• 📊 实战应用: 当TC≤1时用最小注($10),TC=2时下$30,TC=3时下$60,TC=4+时下$100(1-10倍下注幅度)

💡 如何使用这个工具

• 1️⃣ 点击"播放"按钮: 工具会自动从6副牌(312张)中依次发牌
• 2️⃣ 观察卡牌计数: 每发出一张牌,根据Hi-Lo规则自动计算(2-6为+1,7-9为0,10-A为-1)
• 3️⃣ 关注Running Count: 这是所有已发牌的累计计数,是算牌的第一步
• 4️⃣ 重点看True Count: 这是Running Count除以剩余副数,才是真正决定你优势大小的指标
• 5️⃣ 查看玩家优势百分比: 工具会根据True Count自动计算你的统计优势
• 6️⃣ 观察"最近发出的牌": 看看哪些牌导致了计数的变化
• 7️⃣ 分析"计数历史"图表: 观察计数如何随着发牌过程波动,寻找正数(有利)时机
• 8️⃣ 使用"发一张"按钮: 单步观察每张牌对计数的影响,适合学习阶段
• 9️⃣ 调整"速度"滑块: 改变自动发牌的速度,快速观察长期趋势或慢速学习细节
• 🔟 点击"重置": 重新开始,模拟新一轮6副牌的发牌过程

📜 凯利公式的故事

1956年,贝尔实验室的科学家约翰·凯利(John Kelly)在研究长途电话信号噪声问题时,推导出了一个优化信息传输速率的数学公式。几年后,索普在读到这篇论文时灵光一现:这个公式不仅适用于信息理论,也完美适用于赌博和投资!凯利公式的核心思想是:在有优势的情况下,应该根据优势大小和风险来确定最优的投资比例,既不会过于保守(错失收益),也不会过于激进(承担破产风险)。索普将这一公式应用于21点,计算出在不同True Count下的最优下注比例。1968年,他成立了首个量化对冲基金Princeton Newport Partners,使用凯利公式进行头寸管理,在20年间实现了年化19.1%的收益,从未出现亏损季度。今天,凯利公式已成为专业投资者和量化交易系统的标准工具。

🤔 为什么需要凯利公式?

想象你在玩一个有利的游戏:60%概率赢,40%概率输,赔率1:1。如果每次下注所有资金,那么只要输一次就破产了,即使长期有优势也没用。如果每次只下注1元,又太保守,100年也赚不了多少钱。凯利公式解决的就是这个两难问题:它通过数学证明,存在一个最优下注比例,能够在长期内最大化资金增长率,同时将破产风险降到最低。这个比例就是你的优势除以方差(在21点中,由于方差接近1,最优比例约等于优势百分比)。

📊 凯利公式推导(完整数学过程)

🎯 目标: 最大化长期增长率(而不是期望收益或胜率)

📝 定义变量:
  • f = 下注比例(bankroll的分数,0 ≤ f ≤ 1)
  • b = 赔率(如1:1赔率则b=1,3:2赔率则b=1.5)
  • p = 胜率(赢的概率)
  • q = 1-p (输的概率)

1️⃣ 单次赌博后的资金变化:
  • 如果赢(概率p): 新资金 = 旧资金 × (1 + f·b)
  • 如果输(概率q): 新资金 = 旧资金 × (1 - f)
  📌 例如:资金$1000,下注20%(f=0.2),赔率1:1(b=1)
     赢则变为 $1000×(1+0.2×1) = $1200
     输则变为 $1000×(1-0.2) = $800

2️⃣ 长期增长率G (期望对数增长率,这是关键!):
  G(f) = p·log(1 + f·b) + q·log(1 - f)
  💡 为什么用对数?因为资金是复利增长的,对数增长率才能正确衡量长期表现

3️⃣ 对f求导,找到最大值点:
  dG/df = p·b/(1 + f·b) - q/(1 - f)
  📐 这用了基本微积分: d/dx[log(ax+b)] = a/(ax+b)

4️⃣ 令导数为0,求解最优f*:
  p·b/(1 + f·b) = q/(1 - f)
  📊 两边交叉相乘:
  p·b·(1 - f) = q·(1 + f·b)
  p·b - p·b·f = q + q·f·b
  📈 移项整理:
  p·b - q = p·b·f + q·f·b
  p·b - q = f·b·(p + q)
  p·b - q = f·b    (✨ 因为 p + q = 1)

5️⃣ 最终凯利公式:
  f* = (p·b - q) / b
  f* = (p·b - (1-p)) / b
  f* = (p·(b+1) - 1) / b

6️⃣ 对于1:1赔率 (b=1)的简化形式:
  f* = p - q = 2p - 1
  📌 例如:胜率60%时,f* = 2×0.6 - 1 = 0.2 = 20%

7️⃣ 对于21点的应用:
  f* = 玩家优势 / 方差
  f* ≈ 玩家优势百分比 (近似,因21点方差≈1.3,但简化计算常用1)
  📌 例如:True Count=+3时,优势≈1%,建议下注≈1%的资金

8️⃣ 验证这是最大值(二阶导数检验):
  d²G/df² = -p·b²/(1 + f·b)² - q/(1 - f)² < 0
  ✅ 二阶导数恒为负,确认f*是最大值点(不是最小值)

📖 如何使用这个模拟器

• 1️⃣ 设置初始资金: 输入你的起始资金金额,如$10,000
• 2️⃣ 设置胜率: 输入获胜的概率,如0.52(即52%胜率,模拟算牌后的优势)
• 3️⃣ 设置赔率: 输入赔付比例,如1表示1:1赔率(赢$10就获得$10收益)
• 4️⃣ 设置模拟轮数: 建议1000轮,可以观察长期趋势又不会太慢
• 5️⃣ 选择要对比的策略: 勾选你想比较的策略(建议全选以观察对比)
• 6️⃣ 点击"运行模拟": 程序会开始计算,通常几秒钟就能完成
• 7️⃣ 观察图表: 查看不同策略的资金增长曲线,注意纵轴是对数坐标
• 8️⃣ 分析统计数据: 对比最终资金、增长率、最大回撤等关键指标
• 9️⃣ 多次运行: 每次运行都是随机的,多跑几次能看到不同策略的稳定性差异
• 🔟 调整参数实验: 尝试不同的胜率和赔率,观察凯利公式如何调整最优下注比例

👀 观察什么?重点指标解读

• 📈 最终资金: Full Kelly通常最高,但要注意它的波动性
• 📊 增长率: 衡量资金增长的速度,Full Kelly理论上最大
• ⚠️ 最大回撤: 从峰值到谷底的最大跌幅,这是风险的关键指标。Full Kelly的回撤往往很吓人!
• 📉 波动性: 观察曲线的平滑程度。Half Kelly比Full Kelly平滑得多,这就是为什么职业玩家偏好它
• 💰 破产风险: 如果曲线接近或触及横轴,说明接近破产。Fixed 5%在优势小时很危险!
• 🎯 长期vs短期: 前100轮的表现可能很随机,但1000轮后优势会显现出来
• ⚖️ 风险vs收益: Half Kelly的增长率是Full Kelly的75%,但波动性减半,这就是为什么它更实用

📊 图表说明

纵轴使用对数坐标(Log Scale),这意味着相同的垂直距离代表相同的增长倍数,而不是相同的金额增长。例如,从$10,000到$20,000和从$20,000到$40,000在对数坐标上距离相同(都是翻倍)。这样做的好处是可以清晰展示长期的复利增长,同时也能看清回撤。如果某条线下降接近底部,说明资金大幅缩水,接近破产。每条彩色线代表一种策略,你可以直观比较它们的增长速度和波动性。

模拟步骤

1. 定义状态空间: 玩家手牌(硬牌4-21,软牌12-21,对子),庄家明牌(A,2-10),可选操作(H,S,D,P,R)
2. 枚举所有可能: 对于每个状态,枚举所有可能的下一张牌(考虑当前牌堆组成)
3. 递归计算期望值: 对于每个操作,递归计算期望收益,直到游戏结束(玩家爆牌、停牌、庄家完成)
4. 动态规划优化: 使用记忆化避免重复计算相同状态
5. 生成策略表: 对于每个状态,选择期望值最高的操作,汇总成策略表
6. 验证与调优: 通过实际模拟验证策略表的正确性,微调边界情况

爱德华·索普不仅战胜了赌场,更重要的是,他展示了一种思维方式:将复杂的不确定性问题分解为数学模型,通过严格的计算和模拟找到最优策略,然后用科学的资金管理在长期内实现稳定盈利。这套方法论今天仍然是量化交易、风险管理和算法决策的核心。

📈 从赌场到华尔街的转变

1962年,《战胜庄家》出版后,索普成为了数学界和赌博界的名人。但他很快意识到,赌场的钱是有限的——不仅赌场会驱逐算牌者,而且即使不被发现,整个拉斯维加斯的21点桌面上的总资金也就那么多。与此同时,一个更大的"赌场"吸引了他的注意:华尔街。1964年,索普在一次鸡尾酒会上遇到了著名经济学家保罗·萨缪尔森(Paul Samuelson,诺贝尔奖得主),两人讨论了权证和可转换债券的定价问题。萨缪尔森提出,这些金融工具经常被错误定价,就像21点中的有利情况一样,只是没人知道如何精确计算它们的"公平价值"。这个对话点燃了索普的兴趣。1967年,他与经济学家Sheen Kassouf合著了《战胜市场》(Beat the Market),将赌场数学应用于华尔街,开创了量化金融的新时代。

《战胜市场》的出版标志着量化金融的真正起点。索普证明了数学不仅能战胜赌场,更能在金融市场中创造持续的超额收益。这本书直接启发了后来的Black-Scholes期权定价模型、量化对冲基金行业,以及现代风险管理理论。

🧮 索普的定价公式(1967年,Black-Scholes前身)

索普在《战胜市场》中推导出了权证定价的近似公式。虽然不如1973年的Black-Scholes公式精确,但已经捕捉到了核心要素:

权证价值 ≈ f(S, K, T, σ, r)

其中:
S = 当前股价
K = 行权价
T = 到期时间
σ = 股价波动率(标准差)
r = 无风险利率

索普的核心洞察:
• 使用随机游走模型模拟股价运动
• 通过蒙特卡洛模拟计算期望收益(类似21点)
• 发现权证价值与√T成正比(布朗运动特征)
• 波动率是定价核心,不是股票期望回报率!
• 提出Delta对冲:买入低估权证,卖空股票实现市场中性

📌 历史注解: 1973年,Fischer Black和Myron Scholes发表了著名的期权定价公式,更严格地推导了这些关系,但核心思想与索普1967年的工作高度相似。索普后来评论说,他本可以先发表,但他更关心赚钱而不是发论文!

📐 什么是Delta?

Delta是衍生品(如权证、期权)价格相对于标的股票价格变化的敏感度。

Delta = Δ权证价格 / Δ股票价格

假设某权证当前价格$8,股票价格$50。股票上涨$1到$51时,权证价格涨到$8.60。则 Delta = ($8.60 - $8.00) / ($51 - $50) = 0.60。这意味着股票每涨$1,权证大约涨$0.60。

• 💰 年化收益率: 19.1%(扣除费用前约25%)
• 📊 夏普比率: 约1.5(非常优秀)
• 🛡️ 风险控制: 20年无亏损季度!
• 📉 最大回撤: 小于10%
• 🏆 总收益: 将投资者本金增长约12倍

对比同期标普500指数年化约10%,且波动性大得多,索普的策略展示了量化对冲的威力。

🌐 今天还有这样的机会吗?

坦白说,这种明显的套利机会在成熟市场已经很少见。但索普的方法论依然有效,只是转移到了新的领域:加密货币市场、场外衍生品、新兴市场、复杂结构性产品。核心思想不变:用数学找到定价错误,用对冲消除方向性风险,耐心等待收敛。这就是现代量化金融的基因。

2017年,85岁的爱德华·索普出版了自传《A Man for All Markets》,回顾了他从贫困家庭到数学教授、从赌场到华尔街、从学者到亿万富翁的传奇人生。这不仅是一本回忆录,更是一本关于科学思维、风险管理和人生智慧的教科书。

1️⃣ 寻找正期望值

不做任何负期望或零期望的投资。像21点算牌一样,只在True Count>1时下注。

2️⃣ 量化一切

用数学模型定价,不依赖直觉或故事。如果算不清楚,就不投资。

3️⃣ 对冲风险

不要暴露在市场方向性风险中。使用Delta对冲、配对交易等技术实现市场中性。

4️⃣ 凯利公式管理资金

根据优势大小和风险确定仓位,通常使用Half Kelly或Quarter Kelly。

5️⃣ 分散投资

同时持有多个不相关的套利头寸,降低单一交易失败的影响。

6️⃣ 保持怀疑

如果某个机会看起来太好,仔细检查是否遗漏了什么。市场比你聪明。

7️⃣ 适应变化

市场会逐渐变得有效,套利机会会消失。要不断寻找新的错误定价领域。

8️⃣ 长期主义

即使有优势,短期也可能亏损。要有足够的资本和耐心等待优势实现。

💬 索普的一句话总结

"人生是一个优化问题。目标不是赚最多的钱,而是在满足约束条件下(健康、家庭、道德、法律)最大化长期福祉。数学告诉我们,最优解通常不在极端,而在平衡。" - Edward O. Thorp

🎬 结语:成为自己的量化交易员

索普的故事告诉我们,你不需要是华尔街内部人士或天才数学家才能成功。你需要的是:好奇心、科学思维、严格的风险管理、持续学习的能力、以及足够的耐心。无论是投资、创业,还是人生决策,索普的方法论都适用:量化你的优势,对冲你的风险,使用凯利公式管理资源,保持长期主义。这就是"A Man for All Markets"的真正含义——一个用科学方法在任何市场(不仅是金融市场)中都能找到优势并持续获胜的人。