Risco de Ruína nas Apostas: Simulação de Monte Carlo e Sobrevivência da Banca

1. Introdução: a Lei Fundamental da Ruína do Apostador

Três eventos exigem definições separadas: ruína absoluta significa chegar a zero ou não poder pagar a próxima aposta exigida; uma barreira fixa é medida desde a banca inicial; drawdown é medido desde o pico acumulado. A Seção 2 mantém o modelo clássico de barreira zero. A tabela da simulação mede se a banca toca metade do valor inicial em 2.000 apostas, sem representar banca zero nem queda de 50% desde o pico.

Na teoria da probabilidade e na modelagem estocástica de patrimônio, o Risco de Ruína (RoR) é a restrição mais importante de qualquer operação de apostas. Formalizado por Christiaan Huygens (1657) e Pierre Rémond de Montmort (1708) no problema clássico da ruína do apostador, o Risco de Ruína é a probabilidade de a trajetória do capital atingir uma barreira inferior absorvente, seja a falência total ($W=0$), seja um nível de drawdown do qual não há recuperação ($W\le W_{\text{ruin}}$), antes de alcançar uma meta superior de patrimônio.

Entre apostadores recreativos prevalece uma intuição errada: a de que ter vantagem matemática positiva ($\text{EV}>0$) garante o sucesso financeiro. Na prática, a expectativa positiva é condição necessária para o crescimento de longo prazo, mas não suficiente. Por causa da variância binomial, da dependência da trajetória e do agrupamento aleatório de resultados negativos, um apostador com vantagem, mas com uma política de stake agressiva ou mal calibrada, pode quebrar muito antes de a Lei dos Grandes Números se manifestar.

As fórmulas de livro-texto oferecem soluções fechadas para cenários simplificados com stake constante, mas as apostas esportivas reais envolvem stakes dinâmicos, odds variáveis (de favoritos a 1,25 até zebras a 8,50), vantagens que mudam com o tempo e erro de estimativa do modelo. Para medir a probabilidade real de sobrevivência nessas condições, usa-se a simulação de Monte Carlo.

Este artigo apresenta os fundamentos matemáticos do Risco de Ruína, compara as fórmulas analíticas com a simulação, mostra quanto o Kelly Fracionário reduz o risco de cauda e traz uma simulação vetorizada em Python com 10.000 trajetórias de banca (script completo: /papers/risk_of_ruin_simulation.py).

2. Derivações Analíticas: a Fórmula Clássica da Ruína do Apostador

O modelo clássico usa um stake monetário fixo $U$ em cada aposta independente de odd par, com probabilidade de vitória $p$ e derrota $q=1-p$. A banca inicial em dinheiro é $B_0$, equivalente a $N=B_0/U$ unidades de stake. O alvo superior $T>N$ é medido nas mesmas unidades. O passeio começa em $N$ unidades e termina em zero ou $T$. O estado $k$ abaixo conta unidades de stake, não dinheiro.

A Equação de Diferenças e a Solução Fechada

Seja $R(k)$ a probabilidade de ruína com capital inicial de $k$ unidades. Condicionando no resultado da primeira aposta, $R(k)$ satisfaz a relação de recorrência linear homogênea de segunda ordem:

Com as condições de contorno $R(0)=1$ (a ruína ocorreu) e $R(T)=0$ (a meta foi atingida). A equação característica $p\cdot r^2-r+q=0$ se fatora em $(r-1)(p\cdot r-q)=0$, com raízes $r_1=1$ e $r_2=q/p$.

Para uma meta infinita ($T\to \infty$) e um jogo favorável ($p>q$):

Onde $N=B_0/U$ é a banca expressa em unidades de aposta.

Odds Desiguais e a Aproximação Browniana Contínua

Com odds desiguais, o passeio de stake monetário fixo pode ser aproximado por movimento browniano com deriva monetária positiva $\mu$ e variância monetária por aposta ${\sigma }^2$. Se $R$ é lucro por unidade de stake, então $\mu =UE[R]$ e ${\sigma }^2=U^2\mathrm{Var}(R)$. A fórmula equivalente por unidade usa a profundidade $N=B_0/U$. É uma aproximação contínua de horizonte ilimitado e barreira zero, sem alvo superior de parada; não é a simulação proporcional finita abaixo.

Com deriva positiva e banca inicial fixas, a aproximação dá uma probabilidade maior de atingir a barreira quando a variância cresce. Unidades monetárias, stake e evento de parada precisam de permanecer consistentes ao comparar fórmulas.

3. Stake Fixo vs. Proporcional: o Efeito Kelly

Com stake proporcional ideal, $0<f<1$ e odds finitas, cada multiplicador patrimonial é positivo. A banca permanece positiva após qualquer número finito de apostas. Isso não implica um limite patrimonial positivo: o comportamento no longo prazo depende do crescimento logarítmico esperado e das hipóteses. Apostas mínimas, erros de estimação e retiradas fixas são fatores adicionais que este modelo proporcional não inclui.

Numa aposta proporcional com retorno $X$, $\mathrm{SD}(fX)=f\mathrm{SD}(X)$ e $\mathrm{Var}(fX)=f^2\mathrm{Var}(X)$. Reduzir a fração pela metade reduz este desvio padrão pela metade e esta variância a um quarto. Essas identidades não determinam a probabilidade de drawdown num horizonte finito. A trajetória $100\to 200\to 120$ cai 40% desde o pico sem tocar metade da banca inicial.

4. Arquitetura da Simulação de Monte Carlo

A tabela usa 10.000 trajetórias independentes, 2.000 apostas, banca inicial de $10,000 e semente 20261016. Cada cenário fixa probabilidade, odd e regra de stake. A trajetória é contada uma vez quando sua banca mínima é no máximo $5,000. A geração continua após a barreira, que é uma observação, não uma ordem de parada. Para stake fixo, o script público usa um passeio aditivo sem restrição; seus valores finais não modelam a incapacidade de pagar apostas posteriores.

5. Resultados da Simulação por Vantagem, Odd e Fração de Kelly

A tabela apresenta o evento da barreira fixa definido acima, não o drawdown desde o pico nem a ruína em zero. O gerador de cenários e os resultados estão em /papers/risk_of_ruin_simulation.py, /papers/risk_of_ruin_results.json.

A simulação mostra o custo de um dimensionamento agressivo: com Kelly Completo, 39,5% a 46,8% das trajetórias sofreram um queda até metade da banca inicial em 2.000 apostas. O Meio Kelly reduziu isso para 7,7% (vantagem de 3%) e 11,4% (vantagem de 5%), uma queda de quatro a cinco vezes, enquanto a banca final mediana caiu 23% e 43%, respectivamente. O Quarto de Kelly manteve o risco abaixo de 0,5%. O stake fixo de 2% da banca inicial teve risco de 17,9%, porque o valor apostado não diminui quando a banca encolhe.

6. Implementação em Python: Monte Carlo com 10.000 Trajetórias

Abaixo está uma versão compacta em NumPy do simulador para um cenário de stake proporcional. O script completo que gerou a tabela acima é /papers/risk_of_ruin_simulation.py.

# monte_carlo_ror.py
import numpy as np

def run_half_bank_simulation(
    initial_bankroll=10000.0,
    odds=2.00,
    true_prob=0.53, # +6% EV
    stake_fraction=0.03, # 3% proportional
    num_bets=2000,
    num_simulations=10000,
    barrier_fraction=0.50
):
    # Fixed starting-bank barrier simulation
    lower_barrier = initial_bankroll * barrier_fraction
    b = odds - 1.0
    
    # Pre-generate uniform random variates for all paths (num_bets, num_simulations)
    np.random.seed(42)
    random_matrix = np.random.rand(num_bets, num_simulations)
    win_matrix = random_matrix < true_prob
    
    # Multiplier per step: (1 + f * b) if win else (1 - f)
    step_multipliers = np.where(win_matrix, 1.0 + stake_fraction * b, 1.0 - stake_fraction)
    
    # Cumulative wealth trajectory via cumulative product
    wealth_trajectories = initial_bankroll * np.cumprod(step_multipliers, axis=0)
    
    # Calculate minimum wealth to detect a fixed starting-bank barrier hit
    min_wealth_per_path = np.min(wealth_trajectories, axis=0)
    threshold_hits = min_wealth_per_path <= lower_barrier
    threshold_hit = np.mean(threshold_hits) * 100.0
    
    final_wealths = wealth_trajectories[-1, :]
    
    return {
        'threshold_hit_pct': threshold_hit,
        'median_final_wealth': np.median(final_wealths),
        'p5_minimum_wealth': np.percentile(min_wealth_per_path, 5),
        'p95_best_wealth': np.percentile(final_wealths, 95)
    }

if __name__ == '__main__':
    res = run_half_bank_simulation(stake_fraction=0.03)
    print(f"P(hit half initial bank within horizon): {res['threshold_hit_pct']:.2f}%")
    print(f"Median Final Bankroll: ${res['median_final_wealth']:,.2f}")
    print(f"5th Percentile Lowest Dip: ${res['p5_minimum_wealth']:,.2f}")

7. Diretrizes de Risco: o Limite de Sobrevivência de 1%

Um limite de planeamento como 1% precisa de indicar o evento e o horizonte. Nos cenários apresentados, só Quarter Kelly manteve abaixo de 1% a chance de tocar metade da banca inicial em 2.000 apostas. Isso não limita o risco de uma queda de 50% desde um pico posterior nem valida uma estratégia real. Outras odds, probabilidades e restrições exigem novo cálculo.

1. Limite de Fração: trate o Meio Kelly ($\gamma =0.50$) como teto e use o Quarto de Kelly ($\gamma \le 0.25$) quando a estimativa da vantagem for incerta ou o mercado tiver alta variância (por exemplo, placar exato).
2. Recalibragem Dinâmica: recalcule o valor da unidade após cada sessão, em vez de fixá-lo no capital inicial.
3. Trava de Stop-Loss: se a banca sofrer um drawdown de 25%, reduza automaticamente a fração de Kelly pela metade até o capital superar o pico anterior.

A Psicologia dos Drawdowns Assimétricos

A recuperação aritmética é diferente da probabilidade do evento: perder 40% exige ganhar 66,7% para recuperar; perder 50% exige ganhar 100%. Essas identidades não determinam a frequência de uma barreira inferior nem de um drawdown desde o pico. Stakes menores podem reduzir riscos num modelo definido, mas não garantem a recuperação.

8. Profundidade da Banca em Unidades

A equação de diferenças da Seção 2 mostra por que a profundidade da banca importa. Quando a probabilidade de vitória supera a de derrota, a razão $q/p$ fica abaixo de um, e a probabilidade de ruína cai exponencialmente à medida que cresce a banca medida em unidades de aposta. Aumentar a unidade reduz essa profundidade de forma linear e eleva o Risco de Ruína de forma exponencial: com odd par e $p=0.525$, uma banca de 20 unidades tem 13,5% de chance de ruína em horizonte ilimitado, enquanto 40 unidades reduzem esse número para 1,8%.