House Edge: математическая модель преимущества системы

House Edge (HE) — это количественная мера структурного преимущества системы, формально определяемая как разность между единицей и математическим ожиданием нормированного возврата: HE = 1 − E[R], где R — случайная величина, представляющая отношение выходного значения к входному. В терминах теории игр данный параметр характеризует неравновесность платёжной матрицы в пользу одного из участников. Значение HE строго положительно для любой коммерческой аналитической системы с детерминированными правилами. Эта метрика является инвариантом алгоритма и не зависит от стратегии оператора.

Расчёт House Edge базируется на полном переборе пространства исходов с учётом их вероятностей. Для дискретной модели с k возможными исходами формула принимает вид: HE = 1 − Σᵢ₌₁ᵏ pᵢ·mᵢ, где pᵢ — вероятность i-го исхода, mᵢ — множитель выплаты. В непрерывном случае применяется интегральная форма с функцией плотности распределения. Важно отметить, что HE является линейным функционалом на пространстве распределений, что обеспечивает аддитивность при композиции независимых подсистем.

Долгосрочная сходимость эмпирического преимущества к теоретическому значению гарантируется усиленным законом больших чисел (УЗБЧ). Согласно УЗБЧ, последовательность средних S̄ₙ = (1/n)·Σᵢ₌₁ⁿ Xᵢ сходится почти наверное к E[X] при n → ∞, при условии конечности первого момента. Скорость сходимости оценивается через центральную предельную теорему: √n·(S̄ₙ − μ)/σ →ᵈ N(0,1). На практике это означает, что для достижения точности δ необходимо не менее n ≥ (z_{α/2}·σ/δ)² наблюдений, где z_{α/2} — квантиль стандартного нормального распределения.

Статистическая значимость отклонения наблюдаемого HE от теоретического проверяется с помощью z-теста или t-теста Стьюдента. Нулевая гипотеза H₀: HE_emp = HE_theo проверяется против альтернативной H₁: HE_emp ≠ HE_theo при заданном уровне значимости α. Критическая область определяется через p-value: если p < α, нулевая гипотеза отвергается. Дополнительно применяются методы бутстрепирования для построения непараметрических доверительных интервалов, что особенно актуально при неизвестном типе распределения исходных данных.