ET-231 TEORIA DA INFORMAÇÃO, 14 DE JULHO DE 2015, SÃO JOSÉ DOS CAMPOS, SP
Teoria e Aplicações do Critério de Kelly
Rafael Alessi Muntsch
Resumo—Este artigo descreve a teoria e aplicações de um dos
sistemas de aposta mais utilizados e populares por apostadores e
investidores para avaliar o valor ótimo referente ao capital
disponível a ser investido em um determinando evento ou
portfolio de investimentos baseado nas probabilidades dos
resultados do mesmo.
Palavras-Chave—Critério de Kelly, Teoria da Informação,
Otimização de investimentos.
Abstract—This article describes the theory and applications
of one the most known and popular formulas used by the
gamblers and stock market investors to wage the optimal bet of a
determined event or investment portfolio based on the
probabilities of their outcomes.
Keywords—Kelly Criterion, Information Theory, bet and
investment optimization.
I. INTRODUÇÃO
Diversos apostadores profissionais e investidores utilizam
modelos matemáticos e formulas para otimizar o crescimento
do seu capital inicial. O modelo mais utilizado e popular é o
Critério de Kelly. Ele foi elaborado por John Larry Kelly Jr.
em 1956 através de um artigo chamado A New Interpretation of
Information Rate [1]. O artigo estipula uma regra para
avaliação se uma determinada aposta ou investimento é
rentável. Além disso, caso afirmativo, ela determina o
percentual ótimo do montante disponível a ser investido por
rodada nesse mesmo evento [2].
A fórmula elaborada por John L. Kelly Jr, com auxílio do
seu colega de trabalho Claude E. Shannon, pioneiro no
desenvolvimento da área de Teoria da Informação [3],
utilizando conceitos de transmissão de informação por canal
para encontrar a proporção ótima de investimento por rodada
para um determinado evento de duração estipulada como
infinita e na qual o apostador tem conhecimento, ou palpite
aproximado, das probabilidades dos resultados possíveis.
O critério de Kelly ficou amplamente popular entre
apostadores após Edward O. Throp lançar o livro Beat the
Dealer [4] em 1962 na qual ele discorre sobre a aplicação da
formula para um sistema de apostas. Outro momento
importante para a disseminação desse modelo matemático foi o
livro Fortune’s Formula de Willian Poundstone [5]. O best-
seller apresenta como utilizar o critério de Kelly para fundos de
investimentos diversificados.
O artigo demonstra matematicamente o Critério de Kelly
em diversos cenários e apresenta suas vantagens e
desvantagens como um sistema de apostas. Por fim, ele conclui
a importância do conceito dentro e fora da área de previsão de
resultados e otimização de capital investido.
II. TEORIA DO CRITÉRIO DE KELLY
O critério de Kelly se baseia no principio da teoria
apresentada para comunicação de informação por canais
ruidosos. Ele abordou a aplicação desses conceitos para outros
fins nas quais o receptor se beneficia do conhecimento das
probabilidades de ocorrência de cada símbolo para prever
futuros resultados. O exemplo explorado por John L. Kelly em
seu artigo é o cenário na qual um apostador utiliza esse
conhecimento para apostar de um modo rentável em um
determinado evento no longo prazo.
Para exemplificar o cenário de apostas, primeiramente se
apresenta um caso simples de uma fonte binária, então uma
abordagem genérica do critério de Kelly.
A. Fonte Binária
A transmissão em um canal de fonte binária. pode ser
exemplificada como o resultado de uma partida de beisebol
com times com chance de vitórias equiprováveis: vitória ou
derrota. O apostador aposta todo o seu montante inicial em um
dos resultados esperados da partida. Consideramos V0 o
capital inicial do apostar e Vn o montante após N apostas, as
probabilidades serão apresentadas como q de acerto e p de erro
da informação transmitida. Portanto, o valor esperado do
capital do apostador é representado pela seguinte fórmula.
.
〈Vn 〉 = (2q) N V0 (1)
Entretanto, se q < 1, observaremos em uma longa sequencia
de N eventos, haverá algum momento na qual o apostador
perderá todo o seu capital, pois o resultado obtido foi diferente
do qual ele apostou. Esse possível resultado leva o apostador a
conclusão que se deve apostar apenas uma fração do seu capital
por rodada, representada pelo símbolo l, afim de não perder
todo o montante obtido, além do inicial. Partindo do
pressuposto que teremos vitórias, W, e derrotas, L, o capital
esperado após N eventos é dado pela seguinte fórmula:
.
〈Vn 〉 = (1 + l )W (1 − l ) LV0 (2)
Com o intuito de analisar o crescimento do capital do
apostador para a fórmula acima, definimos G como a taxa de
crescimento exponencial do montante obtido após o evento em
relação ao investido inicialmente, então temos:
.
1 V
G = log n (3)
N V0
ET-231 TEORIA DA INFORMAÇÃO, 14 DE JULHO DE 2015, SÃO JOSÉ DOS CAMPOS, SP
A fim de encontrar a relação das probabilidades de acerto e
erro do resultado esperado, aplicamos o limite na função G
considerando um N tendendo ao infinito, e também
substituímos a fórmula (2) em (3), assim temos:
. binárias. Na próxima seção será apresentada uma abordagem
⎛ W L ⎞
G = lim ⎜ log(1 + l ) + (1 − l ) ⎟ (4)
N →∞ N N
⎝ ⎠
Visto que para N suficientemente grande temos o valor
esperado da relação entre vitórias e eventos, como também a
proporção de derrotas para eventos, como as probabilidades de
acerto e erro do resultado obtido, então:
G = q log(1 + l ) + p log(1 − l ) com probabilidade 1 (5)
Pode se observar na fórmula acima que a taxa de
crescimento exponencial do capital do apostador é função da
proporção apostada em cada rodada passível de aposta. Como o
intuito do apostador é otimizar o crescimento do montante
investido, devemos maximizar G em relação à l. Para isso, a
função tem a sua derivada igualada a zero, então:
∂
Gmax = (q log(1+ l) + p log(1− l)) = 0 (6)
∂l
q p
Gmax = − =0 (7)
1+ l 1− l
l* = q − p (8)
Para exemplificar o resultado obtido na fórmula (8), a
Figura 1 demonstra a taxa máxima de crescimento exponencial
do montante em dois distintos casos de probabilidades da fonte
binária.
Fig. 1. Variação de Gmax em relação à l
* apostas é distribuído entre os apostadores. Temos:
Ao encontrarmos a expressão de l , o seu valor é
substituido na função (6) para encontrar a taxa maxima de
crescimento exponencial do capital. Assim chegamos a
seguinte expressão:
Gmax (l * ) = 1+ q log(q) + p log( p) (9)
A expressão (9) da otimização do crescimento do
investimento é igual a expressão de transmissão de informação
binária por um canal ruidoso definida por Shannon:
Gmax (l * ) = 1+ H ( p) = R (10)
Tal afirmação comprova a teoria apresentada por Kelly na
qual os conhecimentos de capacidade do canal da teoria de
informação podem ser aplicados em diversas áreas aonde se
tem interesse de prever resultados a partir da probabilidade dos
resultados, como por exemplo apostas e investimentos.
Essa seção descreveu o critério de Kelly para fontes
genérica para uma fonte transmissão de m informações.
B. Caso Geral do Critério de Kelly
O caso geral do critério de Kelly tem o intuito de apresentar
uma expressão genérica para avaliar o crescimento exponencial
ótimo para canais com m informações transmitidas e
probabilidades diferentes.
Um exemplo de caso geral de apostas é uma corrida de
cavalos. Temos diversos cavalos correndo a corrida, cada um
com características distintas, como exemplo o tempo de
arrancada, aceleração e velocidade máxima. Tais atributos
caracterizam cada cavalo como mais ou menos propensos a
ganhar a corrida. Portanto, um apostador professional em
corrida de cavalos, possui conhecimento prévio ao evento da
performance de cada cavalo no páreo e tem um ótimo palpite
de qual será o vencedor da corrida.
Desta maneira, é feita uma aposta proporcional ao total
capital, a(s/r), utilizando a informação prévia, r, para apostar
em um dos cavalos competidores, s, o valor pago pela aposta
feita é tido como α s e o número de vezes que s é recebido dado
que r foi transmitido é a variável Wsr . Assim, temos a seguinte
formula para o capital após N eventos:
Wsr
VN = ∏ [ a(s / r)α s ] V0 (11)
r,s
Fazemos algumas modificações na expressão acima para
explicitarmos ela em taxa de crescimento exponencial do
capital.
Vn
log = ∑Wsr log a(s / r)α s (12)
Vo
Tal como fizemos na expressão (4), consideramos um n
suficientemente grande, temos pela lei fraca dos grandes
números a seguinte fórmula:
1 V
lim log n = ∑ p(s, r)log a(s / r)α s c/ prob. 1 (13)
n→∞ N Vo
Partindo inicialmente do pressuposto que as apostas tenham
distribuição justa, ou seja, todo o dinheiro arrecadado das
1
αs = (14)
p(s)
1
∑α =1 (15)
s
Dado as considerações acima, substituímos (14) em (13)
para evoluir na expressão da taxa de crescimento exponencial
do capital. Assim temos:
a(s / r)
G = ∑ p(s, r)log (16)
r,s p(s)
ET-231 TEORIA DA INFORMAÇÃO, 14 DE JULHO DE 2015, SÃO JOSÉ DOS CAMPOS, SP
= ∑ p(s, r)log a(s / r) − ∑ p(s, r)log p(s) (17)
r,s r,s
= ∑ p(s, r)log a(s / r) − ∑ p(s)log p(s) (18)
r,s s Sendo,
G = ∑ p(s, r)log a(s / r) + H (X) (19)
r,s
A expressão (19) nos demonstra que a taxa de crescimento
exponencial está diretamente relacionada com a entropia da
fonte do evento. Para maximizarmos novamente a função G,
devemos encontrar o valor ótimo da aposta em s dado r. Se
aplicarmos Lagrange e igualarmos a zero, lembrando da
restrição do somatório de a(s/r) é igual a 1, temos:
∂ # & do caso acima são descritas por John L. Kelly em seu artigo:
Gmax = %%∑ p(s, r)log a(s / r)(( + λ ∑ a(s / r) = 0
∂a(s / r) $ r,s ' 1.
(20)
Chegamos no resultado que a maximização de G em função
de a(s/r) ocorre em:
a(s / r)* = p(s / r) (21)
Assim, ao substituir a expressão (21) em (19), temos:
G *max = ∑ p(s, r)log p(s / r) + H (X) (22)
r,s
G *max = H (X) − H (X | Y ) (23)
Ao compararmos o resultado da fórmula (23) aos resultados
obtidos por Shannon na teoria de Capacidade de Canal, na
qual:
C = max I(X;Y ) = max H (X) − H (X | Y ) (24)
p( x ) p( x )
Podemos concluir que Critério de Kelly para a utilização da
teoria de capacidade do canal pode ser estendida para qualquer
fonte de informação de m informações enviadas por um canal.
Nessa primeira análise foi discutido o caso de apostas
justas, porém existe o caso mais próximo da vida real, na qual
as proporções não são totalmente distribuídas entre os
apostadores. Parte do valor excedente é retido pela casa de
apostas, como exemplo. Nesse caso, a expressão (14), referente
ao valor pago por determinado resultado não é necessariamente
proporcional a sua probabilidade. Entretanto, a expressão (15)
continua válida, pois o somatório dos ganhos das apostas ainda
permanece igual a 1.
Dado as considerações acima descritas, a fórmula (13) é
modificada, assim temos:
G = ∑ p(s, r)log a(s / r) − ∑ p(s, r)log(α s ) (25)
r,s r,s
Os mesmos procedimentos utilizados anteriormente para
otimização da taxa de crescimento exponencial são aplicados
na fórmula (25). Intuitivamente, o resultado obtido é o mesmo
da fórmula (21). Fazendo a substituição de (21) em (25) e já
substituindo a primeira parte da equação pelo resultado
fornecido na expressão (22), obtemos:
Gmax = −H (X | Y ) + ∑ p(s)log(α s ) (26)
s
Gmax = −H (X | Y ) + H (α s ) (27)
H (α ) = −∑ p(s, r)log(α s ) (28)
r,s
O novo resultado obtido na expressão (26) para o Critério
de Kelly, se comparado a expressão (21), ainda se mantém a
mais interessante opção para o apostador, pois mesmo em
jogos na qual ele poderia ter o lucro reduzido devido ao corte
de parte do montante à ser distribuído, é interessante manter a
aposta proporcional.
Outras conclusões significativas e não facilmente
descobertas sobre a taxa de crescimento exponencial máxima
O apostador pode ignorar as distribuições de
probabilidades estimadas pelo bookie, que
representam os valores para pagos por cada
resultado, pois a sua aposta proporcional é sempre
relacionada a probabilidade verdadeira do
resultado ocorrer.
2. Como já mencionado anteriormente, a relação
entre o ganho de uma aposta já não é
necessariamente inverso a sua probabilidade,
porém podemos inferir que o valor mínimo de
H(α) é igual a H(X), dado a expressão (14).
Portanto, temos a menor taxa de crescimento
exponencial do capital quando o jogo tem
probabilidades justas. Isso representa que o
apostador que utilizar o Critério de Kelly terá
vantagens caso o jogo não possua probabilidades
justas.
3. Outro ponto importante é relacionado a analogia à
capacidade do canal. Quando não houver
informação prévia sobre o evento, ou seja, H(X|Y)
é igual a H(X), teremos a capacidade do canal
como R= H(α) –H(X). Tal afirmação indica que se
as probabilidades forem justas, teremos a mesma
relação descrita acima, então a taxa de
crescimento exponencial do capital será zero. Isso
representa a inexistência de canal, que pode ser
interpretada como a descaracterização do evento
como uma aposta.
O conteúdo descrito nessa seção apresentou os
fundamentos do critério de Kelly, entretanto o seu formato
mais popular difere levemente das expressões previamente
demonstradas. A próxima seção apresenta a versão
simplificada e amplamente utilizada por apostadores e
investidores.
III. APLICAÇÃO PRÁTICA DO CRITÉRIO DE KELLY
A fim de simplificar a utilização do Critério de Kelly e
facilitar o seu uso no dia-a-dia dos apostadores e investidores,
se tomou uma abordagem levemente diferente da apresentada
para o canal com fonte binária na seção II.A, agregando o valor
pago pela aposta, b, na expressão (4). Assim, temos:
ET-231 TEORIA DA INFORMAÇÃO, 14 DE JULHO DE 2015, SÃO JOSÉ DOS CAMPOS, SP
∂ O principal ponto negativo do Critério de Kelly é ser muito
Gmax = (q log(1+ bl) + p log(1− l)) = 0
∂l
Utilizando os mesmos passos previamente descritos para
maximizar G, teremos como resultado final a fórmula
amplamente conhecida como Critério de Kelly:
pb − q
l=
b como ótimo, geralmente 50% do Critério de Kelly, com o
Outro ponto importante, a expressão (8) é um caso
especifico da fórmula (30), na qual os apostadores recebem o
valor 1-para-1 quando acertam o resultado, ou seja, b=1.
A expressão acima apresenta dois resultados importantes
para o apostador de maneira simples e rápida, primeiro se ele
deve apostar no evento e segundo qual a porção do seu
montante deve ser investido em cada aposta. Caso l seja
negativo, o apostador terá um decréscimo de capital no longo
prazo caso decida apostar nesse evento. No caso de l > 0,
temos a taxa de crescimento de capital investido positivo ao
longo do tempo, como também teremos o valor ótimo a ser
apostado por rodada. De acordo com o Critério de Kelly, se
estivermos acima da condição de valor ótimo, estaremos
praticando o overbetting, o que representa uma aposta de risco
elevado que no longo prazo pode prejudicial. Se estivermos
apostando abaixo do Critério de Kelly, temos o underbetting,
que pode ser interpretado como o apostador não tirar vantagem
das probabilidades do evento, o que pode levar à um capital
abaixo do esperado.
A Figura 2 apresenta um exemplo dos 3 cenários descritos
acima para um mesmo evento: utilizando o Critério de Kelly,
overbetting e underbetting para uma série de N eventos dentro
de um cenário aonde q=0,7 e b = 1/q. Ao aplicarmos a fórmula
(30), chegamos no valor de 0,49 como proporção ótima de
aposta no evento.
Fig. 2. Exemplo da Aplicação Prática do Critério de Kelly [q=0,7]
Como pode ser observado na figura acima, o Critério de
Kelly maximiza a taxa de crescimento exponencial de capital
para uma série de rodadas de apostas. Apesar dos resultados
demonstrados nessa seção, existem algumas criticas e pontos
negativos desse sistema de apostas que serão apresentados na
próxima seção.
IV. DESVANTAGENS DO CRITÉRIO DE KELLY
O Critério de Kelly é um tema amplamente discutido desde
a sua criação em 1956. Diversos apostadores e investidores,
alegam ter aumentado seu capital se baseando no sistema de
apostas proporcional. Contudo, esse modelo possui algumas
desvantagens que devem ser analisadas pelo jogador antes de
utiliza-la [6].
(29) arriscado no curto prazo, devido as frações de apostas grandes
impostas pela fórmula no caso de apostas muito favoráveis ao
apostador. O que pode parecer muito atraente ao apostador
pode levar ele rapidamente a perder o seu capital caso nas
primeiras rodadas obtenha resultados desfavoráveis. Uma
proposta criada para ser mais cauteloso nesses casos é o
chamado Kelly fracional [7]. O conceito dessa modificação da
(30) teoria de Kelly é apostar uma fração do resultado do sugerido
intuito de não sofrer um grande impacto no capital caso no
curto prazo os resultados não forem satisfatórios.
Outro ponto interessante é o tempo esperado de retorno do
Critério de Kelly. Por se fundamentado na lei fraca dos grandes
números, se parte do pressuposto na qual a longevidade do
evento é infinita, pode se levar um número relativamente
grande de rodadas do evento para um determinado valor
esperado de retorno do capital.
V. CONCLUSÕES
O conceito do Critério de Kelly desde a sua criação tem
sido amplamente utilizado por apostadores e investidores, além
de largamente discutido pela comunidade acadêmica. É um
tópico tido como essencial para certas profissões e cursos,
como também um primeiro passo para aperfeiçoamento em
diversas áreas que envolvem gestão de riscos [8].
Independente das discussões relacionadas ao assunto, o
maior triunfo da teoria de John L. Kelly foi fazer uma analogia
aos conhecimentos de Teoria da Informação recém modelados
pelo seu colega Claude E. Shannon a eventos nas quais um
observador tem interesse em prever o resultado a partir das
suas probabilidades, como por exemplo apostas em corrida de
cavalos e investimentos na bolsa de valores. A abordagem de
Kelly ajudou a estender as aplicações da Teoria da Informação
para diversos campos além do seu objetivo primordial de
prever transmissão de informações em canais de comunicação.
O Critério de Kelly se mostra um ótimo sistema de apostas
ao apresentar matematicamente e utilizar dois conceitos muito
importantes na observação de eventos com probabilidades de
resultados diferentes: a noção de perpetuidade infinita do
evento e a quantidade de risco ótima para atingir resultados em
longo prazo. Tais conceitos foram observados em estudos
psicológicos em apostadores e investidores profissionais,
mesmo que inconscientemente, eles entendem que os
resultados esperados acontecem em longos prazos e a melhor
aposta é proporcional ao risco implícito do resultado, a
ganância exacerbada ou comedida não chega a resultados
ótimos.
REFERÊNCIAS
[1] J. Kelly. A new interpretation of the information rate. Bell System
Technical Journal, 35:917–926, 1956.
[2] Thomas M. Cover e Joy A. Thomas, Elements of Information Theory, A
John Willey & Sons , INC., Publication, pp. 159-166, 2006
[3] 1C.E. Shannon, A Mathematical Theory of Communication, B.S.T.J.,
Oct., 1948.
[4] Edward O. Thorp, Beat the Dealer: A Winning Strategy for the Game of
Twenty-One, Knopf Doubleday Publishing Group, 1966
[5] Willian Poundstone, Fortune’s Formula, Macmillan, 2010
[6] L. MacLean, E. Thorp, e W.T. Ziemba. Long-term capital growth: The
good and bad properties of the kelly criterion. Quantitative Finance,
10(7), pp.681–687, 2010.
ET-231 TEORIA DA INFORMAÇÃO, 14 DE JULHO DE 2015, SÃO JOSÉ DOS CAMPOS, SP

[7] L. MacLean, E. Throp e G. Blazenko, Growth Versus Security in [8] Dylan Evans, Risk Intelligence: How to Live with Uncertainty, Free
Dynamic Investment Analysis, School of Business Administration, Press, 2012.
Simon Fraser University, Burnaby, British Columbia, Canada V5A 1S6,
pp. 1562-1585, Novembro 1992