Zum Inhalt

Vom Edge zur Positionsgröße — warum die Einsatzregel den Vorteil dominiert

Vier Quellen, ein durchgehender Strang: william_poundstone liefert die Ideengeschichte, edward_thorp die Anwendung über vier Jahrzehnte, ernest_chan die Portfolioformel, robert_carver die Korrektur für die Praxis. Zusammen beantworten sie die Frage, die zwischen Signal und Ergebnis steht: Wie viel?

Der Kern: Die Einsatzregel schlägt den Edge

Zwei Händler mit identischem Signal und identischer Trefferquote enden bei unterschiedlichen Einsatzregeln in völlig verschiedenen Endvermögen. Der eine kann bei positivem Erwartungswert ruiniert werden, der andere bei bescheidenem Vorteil vermögend.

Das ist kein Randbefund, sondern die zentrale Aussage. john_kelly hat sie 1956 formalisiert, indem er die Zielgröße auswechselte: nicht der erwartete Gewinn in Geldeinheiten, sondern die geometrische Wachstumsrate. Bei Poundstone: „The gambler should measure success not in dollars but in percentage gain per race."

Der Unterschied ist folgenreich, weil Verluste geometrisch wirken. Ein Rückgang um 50 Prozent verlangt 100 Prozent Anstieg zur Rückkehr. Wer den arithmetischen Erwartungswert maximiert, ignoriert das; wer den geometrischen maximiert, kann gar nicht anders, als Ruin auszuschließen.

Der formale Zusammenhang: Information wird zu Einsatz

Kellys eigentlicher Fund ist die Identität mit Shannons Kanalkapazität. Poundstone: „Just as it is possible to send messages at a channel's bandwidth with virtually no chance of error, it is possible for a bettor to compound wealth at a certain maximum rate, with virtually no risk of ruin."

Ein Informationsvorsprung ist damit quantifizierbar in einer Einsatzquote. Die Formel in Thorps Fassung: Einsatz gleich Vorteil geteilt durch Quote. Bei Quoten um 1 — dem typischen Fall im Handel — ist die optimale Fraktion also schlicht der Wahrscheinlichkeitsvorsprung.

Thorps drei Eigenschaften des Kriteriums fassen die Praxis zusammen: „(1) The investor or bettor generally avoids total loss; (2) the bigger the edge, the larger the bet; (3) the smaller the risk, the larger the bet."

Der Bruch: Bekannte gegen geschätzte Wahrscheinlichkeiten

Hier trennen sich die vier Quellen — und daraus entsteht die eigentliche Lehre.

Thorp am Blackjack-Tisch kannte seine Wahrscheinlichkeiten. Das Kartendeck ist endlich, der Vorteil abzählbar, die Verteilung stabil. Kelly ist dort im Wortsinn optimal.

Thorp an der Börse kannte sie nicht mehr. Bezeichnend ist, was er trotzdem tat: Er setzte „a percentage of my bankroll that was a little less than my percent advantage" — der Sicherheitsabschlag ist bei ihm schon vor jeder Theorie Gewohnheit.

Chan formalisiert das Portfolioproblem: f* = C⁻¹ × M über die Kovarianzmatrix, und empfiehlt Half-Kelly, weil m und s² aus Backtests geschätzt sind.

Carver geht deutlich weiter und begründet es strenger: Erwartete Renditen tragen so große Fehlerbalken, dass die scheinbar optimierte Allokation der groben regelmäßig unterlegen ist. Seine Empfehlung liegt spürbar unter halbem Kelly.

Die gemeinsame Einsicht: Der Sicherheitsabschlag ist keine Vorsicht, sondern eine Korrektur für Schätzfehler. Wer den wahren Vorteil nicht kennt, kann das Optimum nicht treffen — und die Kostenfunktion ist asymmetrisch. Zu kleine Einsätze kosten Rendite; zu große kosten das Kapital.

Warum das jahrzehntelang nicht gelehrt wurde

Poundstones historiografischer Beitrag: Paul Samuelson bekämpfte das Kriterium über Jahrzehnte mit dem Argument, es maximiere Nutzen nur bei logarithmischer Nutzenfunktion. Thorp trocken: „The Kelly Criterion, not having been invented by the old-line academic economists, has generated considerable controversy."

Die Folge ist bis heute spürbar: Eine Praktikergeneration lernte Positionsgrößen nicht im Studium, sondern am Spieltisch. Sizing gilt vielerorts noch immer als Anhängsel der Signalfrage statt als eigenständiges Erkenntnisproblem.

Die operative Übersetzung

Carvers Rahmenwerk ist die brauchbarste Umsetzung, weil es die Unsicherheit einbaut statt sie wegzuoptimieren:

  1. Zielvolatilität festlegen — nicht Stückzahlen, sondern Risikobeitrag ist die Größe
  2. Forecasts normieren und kappen — Signalstärke auf eine gemeinsame Skala, damit Extremwerte nicht dominieren
  3. Diversifikationsmultiplikatoren anwenden — die Kombination trägt weniger Risiko als die Summe
  4. Kostenschwelle prüfen — trägt die erwartete Signalstärke die Transaktionskosten überhaupt?
  5. Deutlich unter Kelly bleiben — der Abschlag skaliert mit der Unsicherheit über die Inputs

Wo das Kriterium nicht trägt

Kelly setzt schätzbare Wahrscheinlichkeiten und eine hinreichend gutartige Verteilung voraus. Beides fällt bei Fat Tails weg — vgl. skewness_asymmetrie. Talebs barbell_strategie ist die konsequente Gegenposition: keine mittlere Hebelung, sondern binäre Allokation zwischen sicher und spekulativ.

Für asymmetrische Auszahlungsprofile wie merger_arbitrage — viele kleine Gewinne, selten ein großer Verlust — versagt die naive Anwendung besonders zuverlässig, weil die historische Trefferquote das Tail-Risiko nicht enthält.

Fazit für die Praxis

Die Reihenfolge ist umgekehrt zur Intuition. Nicht: Signal finden, dann Größe wählen. Sondern: Erst klären, wie sicher der geschätzte Vorteil ist — daraus folgt die Größe, und erst dann lohnt sich die Arbeit am Signal.

Ein mittelmäßiges Signal mit disziplinierter Größenlogik überlebt. Ein hervorragendes Signal mit undisziplinierter Größenlogik überlebt nicht zuverlässig genug, um es zu erfahren.