博弈之美(转)

博弈中有两个关键词:概率和策略。

以前只抓住了概率缺忽略了策略。例如,赌客和庄家的每次对赌获胜概率都为50% ,并且每次对赌不相关,就简单的认为对赌的越久,赌客赢钱和输钱的概 率都趋近于 0 ,即不赔不赚。如果你同意上面的这句话,恭喜,这的典型的忽略策略的表现。因为它隐含的策略是赌客每次下的赌注都一样。这样收益才可能与概率 相同。非常明显,因为人人都这么想,这并不是什么高明的策略。

 

一、如何才能在获胜概率为50% 的前提下,保证收益?

事实上,在概率一定的情况下,选用合适的策略是能达到这样的目的的。

如果满足以下条件:

1、赌客可以选择赌博金额的大小。

2、赌客可以选择什么时候结束赌博。

3、赌客具有相对无限的本金。

那么 合适的策略 是:

1、赌局开始和每次赢钱后都以相同的基数再次放入赌局对赌,例如 10 元。

2、如果输钱,则再放入赌桌的钱为输掉钱的两倍。

事实上,我发现,赌客如果在赢钱后离开赌桌,那么他赢得的钱将是:赢的次数* 基数。因为每次赢钱总能将以前所有的亏钱填满并多出 10 的赢利。

高赢率,例如不是50% 的胜率而是 90% 的胜率,能保证相同赌博次数内赢的次数更多;更高的基数,例如不是 10 元而是 100 元,能保证每次赢的收入更多。

举个例子,例如我的胜率是50% ,每次赌博下注的基数是 10, ,那么在赌博 100 次后,我赢钱的期望为 100*50%*10=500 。虽然实际中可能有上下的浮动,但我的收益是可以估算出来的。

 

二、下注的基数是不是越大越好?

在和同学的讨论中我们发现,胜率是越高越好的,而赌博基数却显得比较暧昧。

基数的选的越大,虽然每次赢利越多,但承担的亏钱风险却越大,因为现实中的本金总是有上限的。

例如,10 元钱连续亏本 10 次就会折去 5120 元的本金,而这种事件发生的概率为 1/1024 。并不是一个很小的概率,可恶的是,为了降低风险,必须降低基数,而基数的降低会带来收益减少。

 

三、基数的降低会带来收益减少,事实真的是这样的吗?

当然不是,通过分散基数投入多个市场(多个赌场),并在小概率事件发生时止损,就可以有效的分散风险。

举例:将10 元钱分散为 10 1 元投入 10 个赌桌同时对赌,假如一天赌场每张赌桌只能赌博 100 次,每张赌桌收益为 100*50%*1=50 ,那么 10 张赌桌的收益就为 50*10=500 。这与将 10 元放在一张赌桌上的收益相同。

但风险被缩小了!

假如本金为1W ,基数为 10 元仅仅需连续输钱 10 次就能让赌客破产,这样的事件概率为 1/1024

而当基数10 元被分散为 1 元时,连续输钱 10 次仅让赌客损失 512 ,赌客破产需要连续输上 14 次,这样事件的概率为 1/16384 。比前一种做法小了 16 倍。

 

四、1/16384 的概率很诱人,但我不喜欢赌,风险可以更小吗?

当然有,更明智的做法是止损,概率为1/1024 的事件发生时,就及时承认损失出场。这样,剩下的 9 张赌桌还在为赌客赚钱,常用这种策略,破产的概率是 1024 10 次方 =1.2676506 × 10 30  ,即10 张赌桌同时发生 1/1024 概率的连输 10 次事件才会破产,这样低的概率可以认为赌客不会破产。

更让人心动的是,分散对收益的期望相同很小:

分散前的期望=10*50%*10-(1/1024)*5120=45

分散后的期望=10*50%*1*10-(1/1024)*512*10=45

由此可见,合适的策略不但带来意想不到的赢利,还能有效的降低风险。(你能看出以上描述的错误之处么?见第五点)

重申一遍合适的策略:

1、赌局开始和每次赢钱后都以相同的基数再次放入赌局对赌。

2、如果输钱,则再放入赌桌的钱为输掉钱的两倍。

3、控制每张赌桌的基数,增加同时对赌的桌数。

 

五、但是,合适的策略还是有漏洞的!

我们不能拿事先估计的对赌次数来计算期望,因为我们假设对赌10 次,但再第十次输掉的时候必须继续赌,直到赢回来才能收手,这样才符合第 2 条策略,那么对赌的次数就不是 10 次,而是一个未知数了,但赌到止损,胜利的次数是一定的。

如果假设加入止损行为,那么收益的期望变为:10*50%*1-(1/1024)*512*10=0

如果将止损线改为4 ,收益期望为仍为 0 10*50%*1-(1/4)*2*10=0

期望还是为0 ,那么赌的次数越多,越可以在一次小概率事件后回到解放前。

结果是:要么不发生小概率事件,一发生的后果就是白忙一场!因为现实中打不到资金无上限的要求。

策略帮助我们在大部分时候获得收益,但不能规避小概率事件发生带来的期望归零。

 

六、难道注定竹篮打水一场空?

这时候还要回归概率!如果赌客胜率略大于50% ,发现这一切实在是太妙了。绝妙处不来自于大部分时候收益的提高,而是极大的规避了小概率事件,因为我们注意到小概率事件发生的概率是( 1- 赌客胜率)的 N 次方, N 是赌博次数或是资金上限对应的 N

举例:胜率由50% 提高到了 51%

收益期望=10*51%*1-(49% 10 次方 )*512*10=5.1-4.085=1.014

效果非常明显,即使是1 个百分点胜率的浮动,带来的收益期望是从 0 上升到了 1.014

如果 胜率由51% 提高到了 52%

收益期望=10*52%*1-(48% 10 次方 )*512*10=5.2-3.324=1.875

虽然有上升,但效用不及第一个上升的百分之一!

随着概率的进一步增大,边际效用递减明显,而且易被察觉。所以,事实上,只需要最初提高的1% 概率既可以保证收益。而收益的来源不是开源,而是节流,减小了小概率事件的发生!

内容概要:本文详细介绍了文生视频大模型及AI人应用方案的设计与实现。文章首先阐述了文生视频大模型的技术基础,包括深度生成模型、自然语言处理(NLP)和计算机视觉(CV)的深度融合,以及相关技术的发展趋势。接着,文章深入分析了需求,包括用户需求、市场现状和技术需求,明确了高效性、个性化和成本控制等关键点。系统架构设计部分涵盖了数据层、模型层、服务层和应用层的分层架构,确保系统的可扩展性和高效性。在关键技术实现方面,文章详细描述了文本解析与理解、视频生成技术、AI人交互技术和实时处理与反馈机制。此外,还探讨了数据管理与安全、系统测试与验证、部署与维护等重要环节。最后,文章展示了文生视频大模型在教育、娱乐和商业领域的应用场景,并对其未来的技术改进方向和市场前景进行了展望。 适用人群:具备一定技术背景的研发人员、产品经理、数据科学家以及对AI视频生成技术感兴趣的从业者。 使用场景及目标:①帮助研发人员理解文生视频大模型的技术实现和应用场景;②指导产品经理在实际项目中应用文生视频大模型;③为数据科学家提供技术优化和模型改进的思路;④让从业者了解AI视频生成技术的市场潜力和发展趋势。 阅读建议:本文内容详尽,涉及多个技术细节和应用场景,建议读者结合自身的专业背景和技术需求,重点阅读与自己工作相关的章节,并结合实际项目进行实践和验证。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值