Otimização de Portfólio pelo Critério de Kelly Simultâneo: Alocação Ótima em Apostas Concorrentes

1. Introdução: A Falha do Critério de Kelly Escalar em Apostas Concorrentes

Na análise quantitativa de apostas esportivas e trading algorítmico, o artigo seminal de John L. Kelly Jr. de 1956, intitulado "A New Interpretation of Information Rate", estabeleceu a base matemática definitiva para o dimensionamento ótimo de capital. A fórmula clássica de Kelly escalar determina a proporção exata da banca $f^*$ que maximiza a taxa de crescimento geométrico assintótico do patrimônio ao avaliar uma aposta isolada:

Onde $p$ representa a probabilidade subjetiva real de vitória, $q = 1 - p$ é a probabilidade de derrota, $b = O - 1$ representa o lucro líquido decimal e $O$ é a cotação decimal bruta oferecida pela casa de apostas. Quando as apostas ocorrem de forma estritamente sequencial — isto é, cada aposta é concluída, resolvida e liquidada na banca antes que a próxima seja efetuada — o dimensionamento de Kelly garante matematicamente a maximização do crescimento logarítmico a longo prazo, assegurando uma probabilidade teórica nula de ruína absoluta.

No entanto, analistas profissionais e sindicatos quantitativos raramente operam em um ambiente puramente sequencial. Em uma rodada típica de sábado no futebol europeu ou no Brasileirão, um modelo econométrico pode identificar simultaneamente de quinze a trinta oportunidades com valor esperado positivo ($+ ext{EV}$) ocorrendo no mesmo horário. Se o apostador dimensionar cada partida usando a fórmula escalar clássica, ocorre uma falha estrutural gravíssima: as frações individuais somadas frequentemente ultrapassam 100% da banca disponível ($sum_{i=1}^n f_i^* > 1$).

Além disso, apostas que acontecem no mesmo horário frequentemente não são estatisticamente independentes. Apostar na vitória do time da casa no mercado 1X2, no Handicap Asiático de -1.5 e no Over 2.5 Gols no mesmo jogo introduz uma forte covariância de resultados. Tratar essas seleções de forma isolada com o Kelly escalar infla brutalmente o risco real do portfólio.

Para alocar capital em múltiplas oportunidades simultâneas sem induzir o risco de falência ou reduzir o crescimento geométrico, o investidor deve migrar da aritmética escalar para a otimização multivariada de portfólio pelo Critério de Kelly. Este tratado técnico apresenta a formulação matemática rigorosa do Kelly simultâneo, detalha as propriedades analíticas de escalonamento sob independência, constrói a matriz de covariância para eventos correlacionados e disponibiliza um algoritmo completo em Python.

2. Formulação Matemática: Maximizando o Crescimento Logarítmico com Múltiplas Oportunidades

Seja $W_0$ o capital total disponível. No instante $t$, existem $n$ oportunidades de apostas concorrentes. O apostador aloca um vetor de frações $mathbf{f} = (f_1, f_2, dots, f_n)^T$, onde $f_i ge 0$ representa a fração do patrimônio alocada na aposta $i$. A quantia não alocada $f_0 = 1 - sum_{i=1}^n f_i$ é mantida em caixa livre de risco com retorno zero.

Entre os $n$ eventos esportivos, existem $K = 2^n$ estados conjuntos possíveis de resultados. Denotamos o espaço amostral de estados conjuntos por $Omega = {omega_1, omega_2, dots, omega_K}$, onde cada estado $omega_k$ ocorre com uma probabilidade conjunta $p_k ge 0$ tal que $sum_{k=1}^K p_k = 1$.

Para cada estado $omega_k$, definimos o vetor de retornos brutos $mathbf{R}_k = (R_{1,k}, R_{2,k}, dots, R_{n,k})^T$, onde $R_{i,k}$ representa o ganho líquido unitário da aposta $i$ no estado $omega_k$:

No estado conjunto $omega_k$, o multiplicador de patrimônio final do portfólio $g(mathbf{f}, omega_k)$ é dado pela soma do capital retido em caixa com o retorno de todas as apostas:

O objetivo do investidor quantitativo consiste em maximizar a esperança matemática da utilidade logarítmica da riqueza, $G(mathbf{f}) = mathbb{E}[ln(W_1 / W_0)]$, formalizada como:

Sujeito às restrições fundamentais de solvência física e ausência de alavancagem:

E a condição estrita de sobrevivência contra ruína total em qualquer cenário:

Como o logaritmo natural é uma função estritamente côncava, a função objetivo $G(mathbf{f})$ é estritamente côncava sobre um conjunto convexo compacto. Pelo Teorema de Karush-Kuhn-Tucker (KKT), a existência de um ponto de máximo global único $mathbf{f}^*$ é matematicamente garantida.

3. Apostas Simultâneas Independentes: Soluções Analíticas e o Problema de Escala

Quando as $n$ apostas são mutuamente independentes (por exemplo, jogos de ligas distintas sem nenhuma influência mútua), a probabilidade conjunta de qualquer estado decompõe-se no produto das probabilidades marginais individuais: $p_k = prod_{i=1}^n mathbb{P}(X_i = x_{i,k})$.

A Expansão de Taylor e Conexão com Markowitz

Para obter uma aproximação analítica estrutural, expandimos a utilidade logarítmica via série de Taylor em torno de $mathbf{f} = mathbf{0}$. Sabendo que $ln(1 + x) approx x - rac{1}{2}x^2$, a taxa esperada de crescimento geométrico é aproximada por:

Onde $oldsymbol{mu} = mathbb{E}[mathbf{R}]$ é o vetor de retornos esperados ($mu_i = ext{EV}_i = p_i O_i - 1$), e $oldsymbol{Sigma} = mathbb{E}[mathbf{R} mathbf{R}^T]$ é a matriz de covariância dos retornos. Igualando o gradiente a zero na ausência de restrições de orçamento, obtemos a fórmula contínua de Kelly multivariado:

Sob perfeita independência estatística, todos os termos fora da diagonal principal anulam-se ($ ext{Cov}(R_i, R_j) = 0$), tornando $oldsymbol{Sigma}$ uma matriz diagonal com variâncias $sigma_i^2 approx O_i - 1$. Nesses termos, a fração ótima para cada seleção isolada coincide exatamente com o Kelly escalar:

Isso estabelece um teorema essencial: quando os eventos são estatisticamente independentes, o Kelly multivariado não restrito coincide com o Kelly individual. Contudo, essa equivalência só é aplicável se a soma de todas as apostas respeitar o limite prudencial da banca.

A Restrição Orçamentária e a Heurística de Escalonamento Proporcional

Embora as frações teóricas não-restringidas correspondam ao Kelly escalar individual, aplicá-las diretamente viola a prudência financeira quando o somatório das frações supera limites conservadores de exposição. Nas mesas quantitativas de fundos de apostas, define-se um teto global $B_{max} in [0.15, 0.30]$ para qualquer rodada de jogos.

Para manter o equilíbrio ideal entre as apostas, aplica-se a Heurística de Escalonamento Proporcional:

Essa formulação garante que a proporção relativa de capital entre apostas de maior e menor vantagem matemática seja perfeitamente preservada, mantendo o risco total estritamente controlado dentro dos limites de segurança da banca.

4. Apostas Simultâneas Correlacionadas: Construção da Matriz de Covariância

O maior perigo nas apostas simultâneas surge quando os mercados compartilham correlação estatística. Se duas apostas apresentam correlação positiva ($ ho > 0$), a vitória de uma tende a coincidir com a vitória da outra, mas a derrota de uma também arrasta a outra para o prejuízo mútuo.

A presença de covariância altera profundamente a alocação de capital através dos termos cruzados da função objetivo:

Para o caso bivariado com duas apostas de mesma vantagem e volatilidade, o Kelly ótimo com correlação $ ho$ reduz-se para:

Se a correlação for de $ ho = +0.50$, o tamanho ótimo de aposta diminui em 33,3% em comparação com apostas independentes. Ignorar a correlação e aplicar Kelly escalar causaria uma sobre-alocação devastadora.

5. Otimização Quadrática com Restrições (KKT)

Em ambientes de produção com dezenas de mercados simultâneos, o problema é resolvido formulando um Programa de Otimização Convexa Quadrática:

As condições de Karush-Kuhn-Tucker (KKT) garantem a existência de multiplicadores de Lagrange $oldsymbol{lambda}^* ge mathbf{0}$ que equilibram o gradiente da função de retorno contra os limites de fronteira de risco e capital. Algoritmos modernos de pontos interiores e SLSQP resolvem essa otimização em milissegundos, permitindo que apostadores automatizados rebalanceiem carteiras em tempo real conforme as odds oscilam nos momentos que antecedem as partidas.

6. Exemplo Numérico Detalhado: Portfólio de 5 Jogos no Sábado

Considere uma banca inicial de $W_0 = R$ 100.000$ e cinco seleções independentes identificadas com valor esperado positivo em uma tarde de sábado esportivo:

Somando os valores escalares brutos, a exposição exigida seria de 48,36% da banca inteira (R$ 48.360) em apenas uma tarde. Aplicando a restrição de portfólio com teto de $B_{max} = 20%$, o algoritmo reduz o fator para $kappa = 0,20 / 0,4836 = 0,4136$:

• Aposta 1: $3,16%$ (R$ 3.156)
• Aposta 2: $2,65%$ (R$ 2.647)
• Aposta 3: $4,14%$ (R$ 4.136)
• Aposta 4: $5,38%$ (R$ 5.376)
• Aposta 5: $4,69%$ (R$ 4.687)

O capital total em risco é reduzido para exatamente R$ 20.000 (20%), preservando a proporção matemática de valor entre cada seleção e blindando o apostador contra drawdowns abruptos em caso de variância adversa.

7. Implementação em Python com SciPy

O algoritmo em Python apresentado na versão original deste artigo utiliza scipy.optimize.minimize com o método SLSQP para calcular numericamente o vetor exato de alocações sob restrições estritas de banca e liquidez. O script computa os estados binários conjuntos e encontra as frações ótimas em menos de 10 milissegundos.

8. Gestão de Risco e Kelly Fracionário para Portfólios

Mesmo com otimização multivariada, a incerteza estatística nas probabilidades estimadas exige o uso de Kelly Fracionário (Half-Kelly ou Quarter-Kelly):

Ao adotar $gamma = 0,50$ (Meio Kelly), o investidor captura 75% do crescimento geométrico máximo possível, enquanto a volatilidade e a probabilidade de drawdowns severos caem em 75%. A probabilidade de enfrentar uma queda de 50% na banca cai de 50% para apenas 1,56%, fornecendo a estabilidade emocional e financeira necessária para a consistência a longo prazo.

9. Perguntas Frequentes

Código Completo em Python e Análise Linha a Linha

Para implementar a otimização de Kelly multivariado em escala de produção, utilizamos as bibliotecas numpy e scipy.optimize. O algoritmo converte as probabilidades marginais em distribuições de probabilidade conjuntas sobre $2^n$ estados binários e resolve a maximização da utilidade logarítmica via Sequential Least Squares Programming (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):
    # Otimizacao de Kelly Simultaneo para apostas esportivas
    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

A complexidade computacional para $n$ apostas independentes escala como $mathcal{O}(2^n)$, sendo perfeitamente tratável para $n le 16$. Para carteiras maiores, a aproximação quadrática de Markowitz baseada em matrizes de covariância permite calcular carteiras com centenas de ativos em frações de segundo.

Aprofundamento Teórico: Otimização sob Erro de Estimação

Em aplicações econométricas reais, a probabilidade subjetiva $p_i$ nunca é conhecida com certeza absoluta. Suponha que $p_i sim ext{Beta}(alpha_i, eta_i)$. A incerteza nos parâmetros do modelo induz uma penalidade de variância adicional no logaritmo da riqueza. A literatura de teoria da informação demonstra que superestimar a vantagem em apenas 2% pode transformar uma alocação ótima de Kelly em um processo estocástico com expectativa de ruína acelerada. É por essa razão que o dimensionamento multivariado restrito com tetos conservadores por rodada é a marca registrada dos maiores fundos de apostas do mundo.