Optimización de Cartera con Criterio de Kelly Simultáneo: Asignación Óptima en Apuestas Concurrentes

1. Introducción: El Fallo del Criterio de Kelly Escalar en Apuestas Concurrentes

En el análisis cuantitativo de apuestas deportivas y el trading algorítmico, el histórico artículo de John L. Kelly Jr. de 1956, "A New Interpretation of Information Rate", sentó las bases matemáticas definitivas para la gestión óptima del capital. La fórmula clásica del Criterio de Kelly escalar determina la fracción precisa del bankroll $f^*$ que maximiza la tasa de crecimiento geométrico asintótico a largo plazo para una apuesta analizada de forma aislada:

Donde $p$ representa la probabilidad subjetiva real de victoria, $q = 1 - p$ la probabilidad de pérdida, $b = O - 1$ el beneficio neto decimal y $O$ la cuota decimal cotizada por la casa de apuestas. Cuando las apuestas se ejecutan de manera estrictamente secuencial —es decir, cuando cada apuesta se resuelve y se liquida en el capital antes de colocar la siguiente—, el modelo escalar garantiza matemáticamente el crecimiento asintótico óptimo con probabilidad teórica nula de quiebra total.

Sin embargo, en el ecosistema profesional contemporáneo, los apostadores y fondos cuantitativos no operan de forma secuencial. Durante una tarde típica de fútbol europeo o una jornada de la NFL, un modelo matemático puede identificar entre 15 y 30 oportunidades con valor esperado positivo ($+ ext{EV}$) que comienzan a la misma hora. Si el apostador aplica ciegamente la fórmula escalar a cada evento, surge un fallo estructural catastrófico: la suma de las fracciones de Kelly suele superar ampliamente el 100% del bankroll disponible ($sum_{i=1}^n f_i^* > 1$).

Además, las proposiciones que ocurren de forma simultánea a menudo no son estadísticamente independientes. Apostar por la victoria simple en el mercado 1X2, por el hándicap asiático y por el Over 2.5 en un mismo partido introduce una fuerte covarianza cruzada. Tratar esas selecciones como independientes infravalora los riesgos extremos de la cartera.

Por consiguiente, es imperativo pasar del enfoque escalar tradicional a la optimización multivariada de carteras mediante el Criterio de Kelly simultáneo. Este tratado expone el marco matemático riguroso, analiza la covarianza en mercados correlacionados y ofrece soluciones computacionales para la gestión institucional del riesgo.

2. Formulación Matemática: Maximizando el Crecimiento Logarítmico

Sea $W_0$ el capital total disponible al inicio. En el momento $t$, disponemos de $n$ oportunidades concurrentes. El inversor selecciona un vector de asignación $mathbf{f} = (f_1, f_2, dots, f_n)^T$, donde $f_i ge 0$ es la fracción del capital invertida en la apuesta $i$. La fracción restante $f_0 = 1 - sum f_i$ permanece en liquidez sin riesgo con rendimiento cero.

Existen $K = 2^n$ estados conjuntos de resultados posibles en el espacio muestral $Omega = {omega_1, dots, omega_K}$, con probabilidades conjuntas $p_k ge 0$ tales que $sum p_k = 1$. Para cada estado $omega_k$, definimos el vector de retornos brutos $mathbf{R}_k = (R_{1,k}, dots, R_{n,k})^T$, donde $R_{i,k}$ representa el beneficio neto por unidad arriesgada:

El multiplicador de capital final del portafolio en el estado $omega_k$ es:

El objetivo consiste en maximizar el crecimiento logarítmico esperado:

Dado que la función logarítmica es estrictamente cóncava, existe un único vector óptimo global $mathbf{f}^*$ garantizado por las condiciones de Karush-Kuhn-Tucker (KKT).

3. Apuestas Concurrentes Independientes y Escalado Proporcional

Bajo independencia estadística, la aproximación cuadrática de Taylor alrededor de cero conecta directamente con la teoría de carteras de Markowitz:

Donde $oldsymbol{Sigma}$ es la matriz de covarianzas y $oldsymbol{mu}$ el vector de valores esperados ($mu_i = p_i O_i - 1$). Cuando no hay correlación, $oldsymbol{Sigma}$ es diagonal y la solución teórica no restringida coincide con el Kelly escalar individual para cada evento:

Sin embargo, para evitar drawdowns extremos en la práctica, las mesas cuantitativas aplican la Heurística de Escalado Proporcional con un techo máximo de riesgo $B_{max} in [0.15, 0.30]$:

Esta regla asegura que las proporciones matemáticas relativas de valor entre apuestas de mayor y menor ventaja se mantengan inalteradas, mientras el riesgo acumulado permanece bajo un control estricto.

4. Correlación y Gestión de Covarianza en Mercados Cruzados

Cuando las apuestas comparten factores comunes (por ejemplo, victoria local y Over 2.5 en un mismo partido), la covarianza positiva $ ext{Cov}(R_i, R_j) > 0$ penaliza fuertemente la varianza total del portafolio. Para dos apuestas correlacionadas con parámetro $ ho$, la asignación óptima disminuye según:

Una correlación de $+0.50$ reduce en un 33.3% el tamaño óptimo de cada apuesta frente al caso independiente. Asumir independencia cuando existe correlación real es una de las causas principales de bancarrota en apuestas algorítmicas.

5. Optimización Numérica Cuadrática con Restricciones KKT

El problema general en fondos de inversión se resuelve mediante programación cuadrática acotada con restricciones lineales:

Algoritmos modernos de optimización determinan el vector óptimo en cuestión de milisegundos, permitiendo recalcular las posiciones en tiempo real ante variaciones de cuotas de última hora.

6. Ejemplo Numérico: Jornada de Sábado con 5 Apuestas

Analicemos un portafolio realista con un capital inicial de $100,000 USD y cinco eventos con ventaja positiva evaluados por un modelo cuantitativo:

Las apuestas escalares individuales suman un 48.36% ($48,360 USD) de riesgo total en una sola franja horaria. Limitando la exposición a un $B_{max} = 20%$, el escalado proporcional reduce cada posición de forma equitativa con un factor $kappa = 0.20 / 0.4836 = 0.4136$. El total asignado se limita a exactamente $20,000 USD, preservando la proporción óptima entre selecciones y reduciendo la probabilidad de caídas severas en un 60%.

7. Implementación en Python

El código disponible en la versión en inglés de esta guía utiliza scipy.optimize.minimize con el método SLSQP para encontrar la solución numérica óptima en milisegundos bajo restricciones de liquidez y presupuesto.

8. Kelly Fraccional en Portafolios Multivariados

Para protegerse de la incertidumbre en las probabilidades estimadas por los modelos estadísticos, los fondos profesionales emplean Medio Kelly (Half-Kelly, $gamma = 0.50$):

Esta variante asegura el 75% del crecimiento geométrico potencial mientras reduce la volatilidad del capital en un 75%, disminuyendo la probabilidad de una caída del 50% en la banca a solo un 1.56%.

10. Fundamentos Econométricos Avanzados del Criterio Multivariado

Para comprender en profundidad por qué el Criterio de Kelly simultáneo supera cualquier estrategia heurística empírica, debemos analizar el comportamiento del operador logarítmico sobre espacios multidimensionales de probabilidad. En un horizonte de inversión con $T$ periodos sucesivos, el capital final $W_T$ bajo un vector de pesos constante $mathbf{f}$ evoluciona según un producto de variables aleatorias independientes e idénticamente distribuidas:

Aplicando la Ley Fuerte de los Grandes Números al logaritmo del capital normalizado:

Esto demuestra que maximizar $G(mathbf{f})$ en cada ronda simultánea no es una simple preferencia de aversión al riesgo subjetiva, sino la única política de asignación que garantiza asintóticamente una tasa de crecimiento de riqueza superior a cualquier otra estrategia divergente. Si un inversor escoge cualquier vector $mathbf{f}' e mathbf{f}^*$, la razón de capital $W_T(mathbf{f}^*) / W_T(mathbf{f}')$ tenderá a infinito casi seguramente conforme $T o infty$.

Sensibilidad ante la Incertidumbre del Parámetro de Ventaja

En el trading deportivo cuantitativo, el verdadero vector de probabilidades $mathbf{p}$ no es un parámetro observable directamente, sino una estimación generada por modelos predictivos (regresiones logísticas, procesos de Poisson bivariados, redes neuronales o Gradient Boosting). Supongamos que la ventaja estimada contiene un error de estimación gaussiano $hat{mu}_i = mu_i + epsilon_i$, donde $epsilon_i sim mathcal{N}(0, sigma_{epsilon}^2)$.

Si el apostador utiliza la estimación puntual $hat{oldsymbol{mu}}$ directamente en la optimización cuadrática $mathbf{f}^* = oldsymbol{Sigma}^{-1} hat{oldsymbol{mu}}$, el vector resultante sufrirá del conocido fenómeno de "magnificación de errores" de Markowitz. Los activos cuya probabilidad real ha sido sobreestimada por el modelo recibirán ponderaciones excesivamente grandes, mientras que los activos subestimados recibirán asignaciones demasiado pequeñas. Esta asimetría matemática convierte al Kelly completo en una estrategia peligrosa ante ruido muestral elevado.

La solución matemática rigurosa consiste en incorporar una penalización de contracción bayesiana (Bayesian Shrinkage o regularización Ridge / Tikhonov) en la matriz de covarianzas:

Donde $lambda > 0$ es el hiperparámetro de regularización proporcional a la varianza del error del modelo. En términos operativos, aplicar regularización Ridge en la inversión de la matriz es matemáticamente equivalente a ejecutar una estrategia de Kelly Fraccional, protegiendo de forma robusta el capital del apostador ante imprecisiones del modelo predictivo.

La Frontera Eficiente de Markowitz Aplicada al Deporte

Al igual que en la teoría moderna de carteras de Wall Street, el conjunto de todas las combinaciones posibles de apuestas concurrentes define una parábola de riesgo-rendimiento en el plano $(sigma, mu)$. La frontera eficiente contiene aquellas asignaciones de capital que maximizan el retorno esperado para un nivel dado de varianza. El Criterio de Kelly multivariado selecciona exactamente el punto tangente de esta frontera correspondiente a la máxima tasa de crecimiento logarítmico, demostrando la profunda unidad matemática entre las finanzas cuantitativas y las apuestas deportivas.

9. Preguntas Frecuentes

Código Completo en Python y Análisis de Algoritmos

A continuación se presenta la arquitectura computacional en Python para resolver la optimización de carteras bajo el criterio de Kelly simultáneo utilizando scipy.optimize.minimize y el método SLSQP:

# simultaneous_kelly_optimizer.py
import numpy as np
from scipy.optimize import minimize

def solve_simultaneous_kelly(odds, true_probs, max_bankroll_fraction=0.25):
    # Optimizacion de Kelly Simultaneo para apuestas deportivas
    odds = np.array(odds, dtype=np.float64)
    probs = np.array(true_probs, dtype=np.float64)
    n = len(odds)
    
    num_states = 1 << n
    states = np.zeros((num_states, n), dtype=np.float64)
    state_probs = np.zeros(num_states, dtype=np.float64)
    
    for k in range(num_states):
        p_k = 1.0
        for i in range(n):
            bit = (k >> i) & 1
            states[k, i] = bit
            p_k *= probs[i] if bit == 1 else (1.0 - probs[i])
        state_probs[k] = p_k
        
    net_returns = np.zeros((num_states, n), dtype=np.float64)
    for i in range(n):
        net_returns[:, i] = np.where(states[:, i] == 1, odds[i] - 1.0, -1.0)
        
    def neg_log_growth(f):
        portfolio_returns = 1.0 + np.dot(net_returns, f)
        if np.any(portfolio_returns <= 1e-8):
            return 1e8
        return -np.sum(state_probs * np.log(portfolio_returns))
        
    budget_constraint = {'type': 'ineq', 'fun': lambda f: max_bankroll_fraction - np.sum(f)}
    bounds = [(0.0, max_bankroll_fraction) for _ in range(n)]
    
    b = odds - 1.0
    scalar_kelly = np.maximum(0.0, (b * probs - (1.0 - probs)) / b)
    initial_f = scalar_kelly * min(1.0, max_bankroll_fraction / (np.sum(scalar_kelly) + 1e-8))
    
    result = minimize(
        neg_log_growth,
        initial_f,
        method='SLSQP',
        bounds=bounds,
        constraints=[budget_constraint],
        options={'ftol': 1e-9, 'maxiter': 500}
    )
    
    optimal_fractions = np.maximum(0.0, result.x)
    return optimal_fractions, -result.fun

Análisis de Riesgo de Ruina y Drawdown Asintótico

En la teoría matemática de procesos estocásticos, la trayectoria del capital bajo el criterio de Kelly completo se caracteriza por una alta volatilidad del logaritmo de la riqueza. El valor esperado de la duración del drawdown (el número medio de periodos hasta recuperar el máximo anterior) crece linealmente con la varianza del portafolio. Para mitigar este efecto, las organizaciones profesionales operan exclusivamente con variantes fraccionales como Medio Kelly ($gamma = 0.50$), lo que comprime las rachas negativas a una fracción despreciable y garantiza la estabilidad del fondo.

Profundización Teórica: Optimización ante Errores de Estimación

En aplicaciones econométricas reales, la probabilidad subjetiva $p_i$ nunca se conoce con certeza absoluta. Supongamos que $p_i sim ext{Beta}(alpha_i, eta_i)$. La incertidumbre inherente a los parámetros introduce una penalización de varianza suplementaria en el logaritmo del capital. La teoría de la información demuestra que sobreestimar la ventaja en apenas un 2% puede convertir una asignación aparentemente óptima en una dinámica con riesgo de ruina severo. Por este motivo, el uso de límites globales de asignación por franja horaria ($B_{max} le 0.20$) es una norma de cumplimiento institucional inquebrantable.