Анти-Мартингейл: инверсная прогрессия и её математическая модель

Инверсная прогрессия, известная как система Анти-Мартингейл, представляет собой стратегию управления размером позиции, при которой увеличение происходит после положительного исхода, а сброс к базовому значению — после отрицательного. Формально, если определить S(t) как размер позиции на шаге t, то S(t+1) = 2·S(t) при X(t) > 0 и S(t+1) = S₀ при X(t) ≤ 0, где X(t) — результат итерации. Данная рекуррентная формула порождает стохастический процесс с мультипликативной структурой, принципиально отличающийся от аддитивных моделей. Теоретическая база стратегии связана с концепцией «положительного момента инерции» (positive momentum), при которой серийная корреляция успешных исходов эксплуатируется для максимизации прибыли. Важно подчеркнуть, что в условиях независимых испытаний серийная корреляция отсутствует, и стратегия не создаёт статистического преимущества.

Экспоненциальный рост при серии положительных исходов является ключевым свойством инверсной прогрессии. После k последовательных успешных итераций размер позиции составляет S(k) = S₀ · 2ᵏ, а накопленная прибыль — P(k) = S₀ · (2ᵏ - 1). Вероятность достижения серии длиной k при вероятности единичного успеха p равна pᵏ, что создаёт распределение прибыли с тяжёлым правым хвостом (right-skewed distribution). Математическое ожидание прибыли от одной серии вычисляется как E[P] = Σₖ₌₁^∞ pᵏ · S₀ · (2ᵏ - 1) = S₀ · [p·2/(1 - 2p) - p/(1 - p)] при 2p < 1. Данная формула показывает, что при p ≥ 0.5 ряд расходится, что формально означает неопределённость математического ожидания и необходимость введения ограничений на максимальную длину серии.

Краш-риск при развороте серии представляет собой основную проблему инверсной прогрессии. После серии из k успешных итераций единственный неудачный исход приводит к потере S₀ · 2ᵏ, что полностью аннулирует накопленную прибыль и генерирует чистый убыток в размере S₀. Функция условного риска (Conditional Value at Risk, CVaR) для данной стратегии имеет нелинейную зависимость от длины серии: CVaR_α(k) = S₀ · 2ᵏ · (1 - p), где α — уровень доверия. Критически важно, что максимальная просадка (Maximum Drawdown) в инверсной прогрессии ограничена снизу значением S₀, но не ограничена сверху по размеру единичной потери на пиковых уровнях серии. Анализ распределения просадок методом Монте-Карло показывает, что при p = 0.48 и горизонте в 10 000 итераций медианная максимальная просадка составляет приблизительно 6.2·S₀.

Математическое сравнение с классической системой Мартингейл выявляет фундаментальную дуальность двух подходов. Классический Мартингейл увеличивает позицию после неудачного исхода: S(t+1) = 2·S(t) при X(t) ≤ 0, стремясь компенсировать убытки за счёт следующей итерации. В теории вероятностей обе системы формируют мартингальные процессы относительно различных фильтраций: прямая система — относительно последовательности убытков, инверсная — относительно последовательности прибылей. Ключевое различие заключается в распределении рисков: классический Мартингейл концентрирует катастрофический риск в правом хвосте распределения убытков, тогда как Анти-Мартингейл распределяет умеренный риск более равномерно. Формально, коэффициент эксцесса (kurtosis) распределения результатов для классического Мартингейла превышает значение для инверсной системы на порядок при идентичных параметрах.

Оптимальные условия остановки для инверсной прогрессии определяются через задачу оптимальной остановки (Optimal Stopping Problem). Пусть τ — момент остановки серии увеличения позиции. Тогда задача формулируется как max E[P(τ)] при ограничении P(Loss(τ) > L_max) ≤ α, где L_max — допустимый уровень потерь, а α — вероятность его превышения. Решение данной задачи методом динамического программирования (Bellman equation) даёт оптимальную длину серии k* = ⌊log₂(L_max/S₀)⌋, при которой максимизируется ожидаемая прибыль с учётом ограничения на риск. На практике рекомендуется использовать адаптивный алгоритм, который пересчитывает k* после каждого обновления оценки параметра p на основе байесовского обновления апостериорного распределения. Реализация данного алгоритма в production-среде требует использования real-time потоковой обработки данных с задержкой не более 50 мс для корректного обновления состояния стратегии.