フラットベッティングとケリー基準：どちらの戦略を選ぶべきか？
バンクロールを設定した後、スポーツベッティングにおいて非常に重要な疑問が生まれます。
1回のベットにいくら賭けるべきなのでしょうか？
本格的なバンクロール管理では、主に2つのアプローチがあります。
フラットベッティング（Flat Betting）
そして：
ケリー基準（Kelly Criterion）
フラットベッティングの考え方はシンプルです。すべてのベットで同じUnitを使用します。
一方、ケリー基準では、それぞれのベットで推定されるEdgeに応じてStakeを変化させます。
一見すると、ケリー基準のほうが高度であり、より効率的に見えるかもしれません。
しかし、実際にはそれほど単純ではありません。
Stake Sizingの方法が有効に機能するためには、Stakeを決定するために使用する情報が十分に信頼できる必要があります。
この記事では、フラットベッティングとケリー基準を比較し、それぞれのメリット、限界、そしてどのような状況で適しているのかを詳しく解説します。
これまでの記事と同様に、以下を基準とします。
初期バンクロール：800,000円
1U = 8,000円
つまり：
初期バンクロールの1%
です。
フラットベッティングとは？
フラットベッティングとは、すべてのベットでまったく同じUnitを使用する方法です。
今回の例では：
バンクロール：800,000円
1U = 8,000円
したがって、すべてのベットで：
8,000円
を賭けます。
そのベットが非常に魅力的に見えるか、わずかな優位性しかないように見えるかは関係ありません。
例えば：
賭ける金額は常に一定です。
このシンプルさこそが、フラットベッティングの大きな強みのひとつです。
ケリー基準とは？
ケリー基準は異なる考え方を採用します。
推定されたEdgeに応じてStakeを調整する方法です。
基本的な計算式は：
f = (bp - q) / b*
です。
ここで：
f* = バンクロールのうち賭ける割合
b = デシマルオッズ - 1
p = 推定勝率
q = 1 - p
推定Edgeが大きくなるほど、ケリー基準が推奨するStakeも大きくなる可能性があります。
逆にEdgeが小さくなれば、Stakeも小さくなります。
プラスのEdgeが存在しない場合：
ケリー基準ではベットしないことになります。
フラットベッティングとケリー基準の根本的な違い
両者の違いは、単にStakeの金額だけではありません。
最大の違いは、利用可能な情報をどのように扱うかです。
フラットベッティングの考え方は、次のように表現できます。
「このベットには十分な価値があると考えているが、それぞれのEdgeを正確に測定できるとは考えていない。」
一方、ケリー基準では：
「それぞれのベットの真の勝率を十分な精度で推定できるため、そのEdgeに応じてリスク量を調整できる。」
と考えます。
この違いは非常に重要です。
ケリー基準には、より多くの情報が必要です。
そして何より：
より高い精度の情報
が必要になります。
800,000円のバンクロールで考える簡単な例
5つのベットを見つけたとします。
フラットベッティングでは：
1U = 8,000円
なので：
合計エクスポージャー：
40,000円
つまり：
バンクロールの5%
です。
一方、ケリー基準では、例えば以下のようになる可能性があります。
合計エクスポージャー：
80,000円
つまり：
バンクロールの10%
です。
ケリー基準では、より有利だと判断された機会に多くの資金を配分します。
これは非常に合理的な方法になり得ます。
ただし：
Edgeの順位付けが正しい場合に限ります。
フラットベッティングはすべてのベットを最適化しようとしない
これは非常に重要なポイントです。
フラットベッティングは、それぞれのベットについて数学的に最適なStakeを求めることを目的としていません。
目的は異なります。
主に重視されるのは：
シンプルさ
規律
比較可能性
リスク管理
そして：
ベット選択の質をより明確に測定すること
です。
そのためフラットベッティングでは、各ベットのEdgeの違いを最大限活用できない可能性を意図的に受け入れます。
その代わりに、Edge推定の精度への依存を大幅に減らすことができます。
ケリー基準はEdgeの違いを活用する
ケリー基準では異なる考え方をします。
すべてのValue Betが同じ価値を持っているとは限りません。
例えば、2つのベットがどちらも：
オッズ2.00
だったとします。
最初のベットの真の勝率を：
51%
と推定します。
2つ目は：
55%
と推定します。
最初のベットの理論的EVは：
+2%
2つ目は：
+10%
です。
フラットベッティングなら：
それぞれ8,000円
を賭けることになります。
一方、ケリー基準では、2つ目のベットにより多くの資金を投入することが合理的だと考えます。
数学的には、この考え方には一貫性があります。
しかし、重要なのは次の疑問です。
51%のベットと55%のベットを本当に正確に区別できるのでしょうか？
本当の問題はKellyの計算ではない
Kellyの計算式そのものは比較的シンプルです。
本当に難しいのは：
p
つまり：
そのイベントの真の確率
を求めることです。
オッズ：
2.00
を例に考えてみましょう。
推定値が：
p = 51%
なら、Full Kellyは：
2%
を推奨します。
p = 53%
なら：
6%
です。
p = 55%
なら：
10%
になります。
わずか4ポイントの確率差によって、Stakeが：
2%
から：
10%
まで変化します。
問題は数学ではありません。
統計的な推定精度です。
フラットベッティングは推定誤差に強い
あるベットに非常に大きなEdgeがあると考えたとします。
モデルによる推定勝率：
55%
オッズ：
2.00
Full Kellyでは：
バンクロールの10%
つまり：
80,000円
を推奨します。
しかし、実際の勝率が：
51%
だったとしましょう。
Edge自体はまだ存在しています。
しかし、理論上適切なKellyは10%ではありません。
2%
つまり：
16,000円
です。
推定誤差によって、本来のEdgeが正当化するStakeの5倍を賭けてしまったことになります。
一方、1Uのフラットベッティングなら：
8,000円
だけです。
つまりフラットベッティングは、潜在的な最適化の一部を犠牲にする代わりに、推定誤差に対する耐性を高めています。
Kellyは精度を評価する
ただし、Kellyは単純に危険な方法だと考えるべきではありません。
Kellyが特に有効になるのは、使用する確率が：
信頼できる
適切にCalibrationされている
再現可能である
そして：
十分なSample Sizeで検証されている
場合です。
定量モデルが正しくCalibrationされた確率を生成できるとしましょう。
その場合：
Edge 1%
と：
Edge 8%
をまったく同じように扱うと、優位性の一部を活用できない可能性があります。
Kellyなら、推定Edgeが大きい状況により多くの資金を配分できます。
Probability Calibrationの重要性
Kellyを本格的に使用するには、モデルが単に良いベットを見つけるだけでは不十分です。
正確な確率を生成する必要があります。
これは非常に重要な違いです。
例えば、あるモデルが1,000件のイベントに：
60%
という確率を与えたとします。
モデルが正しくCalibrationされているなら、そのうち約：
600件
が実際に発生するはずです。
もし継続的に：
540件
程度しか発生しないのであれば、そのモデルは確率を過大評価している可能性があります。
このようなCalibrationの問題は、Kellyでは特に危険です。
なぜなら：
過度に自信のあるモデルは、Stakeも過大に計算する
からです。
フラットベッティングとベット選択の質
フラットベッティングの大きなメリットのひとつは、ベット選択そのものの質をより直接的に評価できることです。
すべてのベットを：
1U
にすると、結果は主に：
選択プロセスの質
によって決まります。
Stakeを変化させる能力による影響が小さくなるからです。
これがまさに：
Flat Stakes Summary (1U)
の考え方です。
この指標を利用することで、Stakeの違いによって本来のパフォーマンスが見えにくくなることなく、複数の戦略を比較できます。
Selection EdgeとSizing Edge
Stakeが変動する戦略を分析する場合、パフォーマンスの源泉を2つに分けて考えることができます。
Selection Edge
Expected Valueがプラスのベットを見つける能力です。
Sizing Edge
Edgeが本当に大きいときに、より多くのStakeを割り当てる能力です。
この2つは異なる能力です。
Value Betを見つける能力は非常に高くても、どのベットのEdgeが最も大きいのかを判断する能力が低い可能性があります。
その場合、フラットベッティングでは良い結果を出せても、Kellyを使用することで結果が悪化する可能性があります。
逆に、Edgeの大きさを正確に推定できるモデルなら、変動型Stake Sizingのメリットを得られる可能性があります。
Kellyが本当に結果を改善できる例
2つのベットグループを考えてみましょう。
グループA
100ベット
平均的な真のEdge：
+2%
グループB
100ベット
平均的な真のEdge：
+8%
両方のグループで同じStakeを使用すれば、2つのEdgeを同じ比率で活用することになります。
しかしモデルがこの差を本当に信頼できる形で識別できるのであれば、グループBにより多くの資金を配分することは合理的です。
これはKellyが付加価値を生み出せる典型的な状況です。
ただし重要なのは：
本当に
という部分です。
8%のEdgeがOverfittingによってBacktest上だけで存在しているのであれば、Stakeを増やすことは逆に危険になります。
Sample Sizeの役割
ある戦略が：
80ベット後にROI +12%
別の戦略が：
5,000ベット後にROI +4%
だったとします。
最初の戦略のほうが印象的に見えるかもしれません。
しかし、本当にEdgeが3倍大きいと言えるでしょうか？
必ずしもそうではありません。
Sample SizeはEdge推定の不確実性に直接影響します。
そして、その不確実性はStake Sizingに対する信頼度にも反映されるべきです。
サンプルが小さいほど、積極的なKellyを正当化することは難しくなります。
Overfittingの問題
KellyとOverfittingは、特に危険な組み合わせになる可能性があります。
過去データで最適化された戦略を考えてみましょう。
Backtestでは：
ROI +10%
となっています。
モデルは大きなEdgeがあると判断します。
その結果、Kellyは大きなStakeを推奨します。
しかし、過去のROIの一部がOverfittingによるものであれば、将来の真のEdgeははるかに小さい可能性があります。
その場合、2つの問題が同時に発生します。
Edgeの過大評価
そして：
Stakeの過大設定
です。
フラットベッティングなら、2つ目の問題による影響を自然に抑えることができます。
フラットベッティングとVariance
もちろん、フラットベッティングでもVarianceはなくなりません。
1ベット = 1U
でも：
-5U
-10U
あるいはそれ以上の損失が発生する可能性があります。
連敗は十分に起こり得ます。
しかし、Stakeが一定であるため、結果の分布を理解しやすくなります。
各負けは：
-1U
各勝ちはオッズによって決まります。
そのため、戦略の統計分析が容易になります。
KellyとVariance
Stakeが大きくなると、Kellyはバンクロールの変動を増幅する可能性があります。
フラットベッティングで：
+1U
-1U
+1U
-1U
という結果だったとします。
Kellyでは同じベットに：
1U
4U
1.5U
3U
というStakeが割り当てられていた可能性があります。
その場合、金銭的な結果は大きく異なります。
ベット選択によるVarianceに加えて：
Stake SizingによるVariance
も発生します。
これは新たなリスク要因です。
Drawdownへの影響は？
フラットベッティングでは、Drawdownを比較的簡単に理解できます。
例えば：
20U
を失った場合、1U = 初期バンクロールの1%なので：
160,000円
のDrawdownになります。
一方Kellyでは、負けたベットにどの程度のStakeが割り当てられていたかによってDrawdownが変わります。
非常に大きな+EVがあると判断されたベットが連続して負けると、Drawdownが急速に拡大する可能性があります。
そのためFull Kellyでは、実際にEdgeを持つ戦略であっても大きなDrawdownが発生する可能性があります。
フラットベッティングとRisk of Ruin
バンクロールに対して十分に小さなUnitを使用すれば、フラットベッティングではRisk of Ruinを比較的管理しやすくなります。
今回の例では：
バンクロール：800,000円
Stake：8,000円
1U = 1%
です。
資金を完全に失うには、非常に多くのUnitsを失う必要があります。
もちろん、Risk of Ruinがゼロという意味ではありません。
Expected Valueがマイナスの戦略を十分長く続ければ、バンクロールは徐々に減少します。
しかしStakeを小さくすることで、その悪化を遅らせ、問題を発見するための時間を確保できます。
KellyとRisk of Ruin
理論上、KellyはOverbettingを避けながら資金の対数成長率を最大化するように設計されています。
しかし実際の問題は、やはり不確実性です。
真の確率
を使って計算した最適Kellyと：
推定確率
を使って計算したKellyは必ずしも同じではありません。
推定精度が低いほど、Stakeが実際のEdgeによって正当化される水準から大きく外れる可能性があります。
フラットベッティングは規律を保ちやすい
フラットベッティングには、行動面でも大きなメリットがあります。
最初からルールが決まっています。
すべてのベット = 1U
そのため：
「これは2Uにしよう。」
「かなり自信があるから4Uにしよう。」
「直前の2つが負けたから、今回は絶対に勝たなければならない。」
といった感情的な判断をする必要がありません。
Stakeは感情とは独立して決定されます。
これにより：
Chasing
Overconfidence
Recency Bias
などのリスクを減らすことができます。
Kellyは「自信に応じて賭ける」という意味ではない
これはよくある誤解です。
「かなり自信があるから5U賭ける」
というのはKellyではありません。
Kellyには定量的な推定が必要です。
例えば：
推定勝率：54%
オッズ：2.00
計算されたEdge
計算されたKelly Stake
です。
明確かつ十分に信頼できる確率推定がなければ、本当の意味でKellyを使用しているとは言えません。
単なる主観的な変動Stakeです。
主観的な変動Stakeは最も悪い妥協案になる可能性がある
実際には、フラットベッティングとKellyの間にもう1つのパターンがあります。
感覚に基づく変動Stake
です。
例えば：
普通のベットなら1U
良いベットなら2U
非常に自信があるなら3U
といった方法です。
この方法にはKellyのデメリットの一部がある一方で、Kellyの数学的な厳密性がありません。
Stake SizingのVarianceを増加させながら、行動バイアスの影響も受けやすくなります。
変動Stakeを合理的に使用するには、測定可能かつ再現可能な方法に基づくことが重要です。
Half Kelly：ひとつの妥協案
選択肢は：
Flat Betting
または：
Full Kelly
だけではありません。
中間的な方法として：
Half Kelly
があります。
Full Kellyが：
6%
なら、Half Kellyは：
3%
です。
Full Kellyが：
2%
なら：
1%
です。
Edgeに応じてStakeを調整するというKellyの特徴を一部維持しながら、エクスポージャーを減らすことができます。
Quarter Kelly：さらに慎重な方法
Quarter Kellyでは：
Full Kellyの25%
を使用します。
Full Kellyが：
8%
なら、Quarter Kellyは：
2%
です。
800,000円のバンクロールなら：
16,000円
つまり：
2U
です。
確率モデルを持っていても、その推定に不確実性が残っている場合には特に興味深い方法です。
Stake Capを設定したKelly
Kellyを使用しながら最大Stakeを設定する方法もあります。
例えば：
最大Stake = バンクロールの2%
今回の例なら：
2% = 16,000円 = 2U
です。
Kellyが：
0.8%
なら：
0.8%
を使用します。
1.5%
なら：
1.5%
を使用します。
4%
なら：
2%
に制限します。
これにより、Kellyの考え方を維持しながら極端な推定によるリスクを抑えることができます。
各アプローチの比較
バンクロール：
800,000円
あるベットの理論上のFull Kelly：
8%
とします。
すると：
エクスポージャーには大きな違いがあります。
どのStake Sizingを使用するかによって、戦略のリスクプロファイルは大きく変化します。
Tipsterを比較するにはどちらが適している？
複数のTipsterや戦略そのものの質を比較する場合、フラットベッティングには大きなメリットがあります。
例えば：
Tipster A：+20U
Tipster B：+25U
すべてのベットが：
1U
で計算されていれば、比較は比較的簡単です。
しかしTipster Bが：
1Uから8U
まで変動するStakeを使用している場合、比較は複雑になります。
パフォーマンスの差の一部が、選択の質ではなくStake Sizingによって生まれている可能性があるからです。
そのため：
Flat Stakes Summary (1U)
はパフォーマンス比較において非常に重要な指標です。
Flat Bettingはすべてのベットの質が同じという意味ではない
これは重要なポイントです。
すべてのベットに1Uを使用するからといって、それぞれのEdgeがまったく同じだと考えているわけではありません。
単に：
「Edgeの違いを、Stakeを変えるほど正確には測定できない。」
と判断している可能性があります。
これは合理的な考え方です。
不確実性を認識することは、Risk Managementの重要な要素です。
Kellyは必ずしもリスクを増やすわけではない
Kellyは1U未満を推奨することもあります。
例えば：
1U = 1%
Kellyの計算結果が：
0.4%
なら：
0.4U
つまり：
3,200円
になります。
推定Edgeが小さい場合、Kellyはエクスポージャーを減らすこともできます。
そのため、Kellyそのものが必ずしも積極的な方法というわけではありません。
大きなStakeにつながりやすいのは主に：
Full Kellyと、大きいまたは過大評価されたEdgeの組み合わせ
です。
オッズの役割
オッズも比較に影響します。
1.50
のベットと：
4.00
のベットでは、Varianceの性質が異なります。
フラットベッティングでは、両方に同じUnitを使用できます。
Kellyでは、この違いが計算式を通じて間接的に反映されます。
ただし、ここでも計算結果は確率推定の質に依存します。
高いオッズで推定を誤ると、大きな影響が生じる可能性があります。
CLVの役割
CLVは、プロセスの質を評価する補完的な指標として利用できます。
Kellyを使用する戦略が、特定のベットに継続的に大きなStakeを割り当てているとします。
そのベットで継続的に悪いCLVが発生しているなら、モデルがEdgeを過大評価していないか確認する価値があります。
逆に、継続的にプラスのCLVを獲得している場合、取得している価格の質について興味深いシグナルになる可能性があります。
ただし、CLVから直接：
正確な真の確率
が得られるわけではありません。
そのため、CLVだけでKellyを計算することはできません。
Opening OddsとClosing Odds
Opening OddsとClosing Oddsの分析も、戦略の特性を理解するのに役立ちます。
市場の非常に早い段階で参加することで優位性を得る戦略もあります。
より遅い段階でValueを見つける戦略もあります。
ベット時の価格とClosing Oddsを比較することで、その戦略が継続的に市場を上回っているかを確認できます。
Kellyを使用する場合、この情報は推定Edgeの信頼性を検証するうえで特に有用です。
Liquidityの役割
LiquidityによってKellyの実用性が制限されることもあります。
例えば、大きなバンクロールに対してモデルが：
5%のStake
を推奨したとします。
理論上の金額が、そのオッズで実際に賭けられる金額を超えている可能性があります。
その場合：
理論上最適なStake
と：
実際に執行可能なStake
は同じではありません。
Risk Managementでは：
市場の深さ
そして：
実際の執行可能額
も考慮する必要があります。
複数のベットが同時にある場合、Flat Bettingはシンプル
10件のベットが同時に存在するとします。
Flat Bettingで：
1ベット = 1U
なら、最大エクスポージャーはすぐに分かります。
10U
つまり：
初期バンクロールの10%
です。
一方、KellyではすべてのStakeを合計する必要があります。
例えば：
1% + 2% + 4% + 1.5% + 3% + 2% + 5%...
となれば、合計エクスポージャーは急速に大きくなる可能性があります。
そのため、個別のベットだけでなく：
ポートフォリオ全体
でリスクを考える必要があります。
相関関係はKellyをさらに複雑にする
複数のベットが：
同じリーグ
同じチーム
同じマーケット
または：
同じモデル
に関連している場合を考えてみましょう。
これらのベットには相関が存在する可能性があります。
それぞれのベットに独立してKellyを適用すると、全体のリスクを過小評価する可能性があります。
もちろんフラットベッティングでも相関がなくなるわけではありません。
しかし、Stakeが一定で比較的小さいため、エクスポージャーの管理はよりシンプルになります。
初心者にはどちらが適している？
本格的にバンクロール管理を始める場合、フラットベッティングにはいくつかの教育的なメリットがあります。
以下の指標について学ぶことができます。
ROI
Variance
Drawdown
Sample Size
CLV
そして：
Risk of Ruin
変動型Stake Sizingという追加の複雑性を導入する必要がありません。
そして最も重要なのは：
「自分のベット選択方法には本当にEdgeがあるのか？」
という基本的な疑問に答えることができる点です。
Stakeを最適化する前に、まずEdgeが本当に存在するのかを確認することが重要です。
高度な定量モデルにはどちらが適している？
以下を生成できる定量的アプローチの場合、状況は異なります。
確率
不確実性区間
検証済みのCalibration
十分な過去データ
そして：
堅牢なOut-of-Sample分析
です。
このような場合、KellyやFractional Kellyの有用性は高くなります。
Stake Sizingを確率モデルの論理的な延長として使用できるからです。
Flat BettingをBenchmarkとして使用する
Kellyを使用する戦略でも、Flat Bettingを基準として残しておくことには意味があります。
例えば：
Kellyを使用した実際のパフォーマンス
と：
Flat Stakes Summary (1U)のパフォーマンス
を比較します。
これにより、非常に重要な疑問に答えることができます。
Stake Sizingは本当に戦略を改善しているのか？
Kellyによってリターンが増えても、Drawdownが大幅に悪化するのであれば、判断は単純ではありません。
最終的な利益だけではなく：
Return / Risk
の関係を見る必要があります。
Flat BettingとKellyを正しく比較する方法
厳密に比較する場合、理想的にはまったく同じベットを使用します。
そのうえで：
を比較します。
つまり、単純に：
「どちらの方法がより多く稼げるか？」
だけを考えるべきではありません。
より重要なのは：
「自分の推定精度を考慮した場合、どちらがより適切なリターンとリスクのプロファイルを生み出すのか？」
という問いです。
ハイブリッドアプローチは可能？
可能です。
厳格なFlat BettingとFull Kellyの間には多くの選択肢があります。
例えば：
Flat Betting 1U
最大2Uに制限したKelly
Half Kelly
Quarter Kelly
または：
Fractional Kelly + Stake Cap
です。
Stakeを段階的に設定する方法もあります。
例えば：
低いEdge = 0.5U
中程度のEdge = 1U
高いEdge = 1.5U
です。
ただし、この方法が合理的になるのは、Edgeのカテゴリーが客観的に定義され、統計的に検証されている場合です。
そうでなければ、単なる主観的な自信度によるStake設定になってしまう可能性があります。
Flat Bettingが適しているのはどんな場合？
Flat Bettingは、特に以下のような状況で有効です。
- Edgeは存在すると考えられるが、その正確な大きさを測定することが難しい
- 確率が十分にCalibrationされていない
- Sample Sizeがまだ小さい
- 複数の戦略を公平に比較したい
- シンプルさを重視する
- Stake Sizingの誤差による影響を抑えたい
- 感情的なバイアスを減らしたい
- まずベット選択そのものの質を評価したい
このような状況では、Flat Bettingのシンプルさは大きな強みになります。
Kellyが有効になるのはどんな場合？
Kellyは、以下の条件が揃っている場合により有効になります。
- 信頼できる確率が存在する
- Probability Calibrationが検証されている
- 十分なSample Sizeがある
- Edgeを再現可能な形で測定できる
- モデルがOut-of-Sampleで検証されている
- 潜在的なDrawdownを理解している
- 相関関係が管理されている
- 合計エクスポージャーが監視されている
- Liquidityが実際のStake執行を可能にしている
- 明確なリスク上限が設定されている
このような条件では、Edgeに応じてStakeを調整することが合理的になります。
避けるべきミス
Flat BettingでもKellyでも、以下のミスには注意が必要です。
- 明確なEdgeなしでベットする
- 負けた後にStakeを増やす
- 個人的な自信と確率を混同する
- 小さなSample SizeからEdgeを過大評価する
- Varianceを無視する
- Drawdownを無視する
- ベット間の相関を無視する
- 数回の結果だけで方法を頻繁に変更する
- Calibrationされていない確率でKellyを使用する
- 感覚だけでStakeを変える
- Profitだけで戦略を評価する
- Flat Stakes Summary (1U)と比較しない
Flat BettingかKellyか、本当に重要な質問
最終的に重要なのは：
「どちらの方法がより高度なのか？」
ではありません。
また：
「どちらが最大のリターンを生み出せるのか？」
だけでもありません。
本当に重要なのは：
「Stakeを決定するために持っている情報の質はどの程度なのか？」
ということです。
あるベットにプラスのExpected Valueがあると考えていても、そのEdgeを正確に測定できないのであれば：
Flat Bettingは非常に堅牢な方法です。
一方、信頼でき、適切にCalibrationされ、十分に検証された確率を生成できるモデルがあるなら：
KellyによってStakeの最適化をさらに進めることができます。
その中間には、Fractional KellyやStake Capという選択肢があります。
結論
Flat BettingとKellyは、単に競合する2つのStake Sizing手法ではありません。
両者は：
利用できる情報の精度の違い
を反映しています。
Flat Bettingは：
「Valueがある機会を見つけたが、そのEdge推定をStake決定に過度に反映させない。」
という考え方です。
Kellyは：
「Edgeの推定精度が十分に高いため、それを利用して数学的にエクスポージャーを決定する。」
という考え方です。
今回の基準である：
バンクロール 800,000円
そして：
1U = 8,000円 = 1%
の場合、Flat Bettingはシンプルで透明性の高い仕組みを提供し、ベット選択そのものの質を分析するうえで特に有効です。
KellyはEdgeに応じてStakeを変化させることで、さらに最適化を進めることができます。
しかし、その高度な方法には条件があります。
より正確な確率推定が必要です。
最適なStake Sizingは、単にどの数式を使用するかだけで決まるわけではありません。
重要なのは：
データの質
モデルの信頼性
Probability Calibration
Sample Size
Variance
Drawdown
そして：
Edgeを本当に測定できる能力
です。
1円単位でStakeを最適化しようとする前に、より根本的な質問に答える必要があります。
「Stakeを変化させることを正当化できるほど、自分のEdgeを正確に把握しているのか？」
その答えが不確実であるなら、Flat Bettingのシンプルさは弱点ではなく：
強み
になる可能性があります。
FAQ：Flat BettingとKelly
Flat Bettingとは？
すべてのベットで同じStakeを使用する方法です。例えば、すべての選択を1Uでベットします。
Kellyとの最大の違いは？
Kellyでは推定確率とEdgeに応じてStakeを変化させますが、Flat Bettingでは一定のStakeを使用します。
KellyのほうがFlat Bettingより利益が大きくなる？
必ずしもそうではありません。Kellyは実際のEdgeの違いをより効率的に活用できる可能性がありますが、その結果は使用する確率の精度に大きく依存します。
Flat Bettingがシンプルなのはなぜ？
Stakeを決定するために、各ベットのEdgeを正確に推定する必要がないからです。
Half KellyやQuarter Kellyは使える？
はい。Half KellyはFull Kellyの50%、Quarter Kellyは25%を使用します。これにより、推定誤差によるリスクを減らすことができます。
Kellyに上限を設定できる？
はい。例えばStake Capを設定し、Kellyがそれ以上を推奨しても1ベットあたり最大2%までに制限することができます。
Flat BettingはすべてのベットのEdgeが同じという意味？
いいえ。同じStakeを使用するという意味です。Edgeの違いをStakeに反映できるほど正確には測定できないと判断している場合もあります。
Tipsterを比較するにはどちらが適している？
Flat Stakes Summary (1U)が特に有効です。すべての選択を同じUnitで再計算できるためです。
確率モデルなしでKellyを使用できる？
厳密な適用は難しくなります。Kellyには真の確率について明確な推定値が必要だからです。
Flat BettingとKelly、どちらを選ぶべき？
主に、確率をどの程度正確に推定しCalibrationできるかによって異なります。Flat Bettingは確率推定への依存を抑え、KellyはEdgeを十分な信頼性で測定できる場合にStakeを調整することができます。
2026年9月24日木曜日
Bet2Investはブックメーカーではなく、スポーツベッティングのサービスも提供していません。ただし、当サイトのコンテンツはスポーツベッティング活動に関連しています。
未成年者の賭博は固く禁じられています。責任あるプレイを — 過度な賭博は、金銭的損失、借金、依存につながる可能性があります。