Прогрессия Фибоначчи: спиральная модель управления позицией

Последовательность Фибоначчи F(n) = F(n-1) + F(n-2) с начальными условиями F(1) = F(2) = 1 представляет собой рекуррентную модель, адаптированную для динамического управления размером позиции. В контексте стратегии управления капиталом размер позиции после k последовательных неудачных итераций определяется как S(k) = S₀ · F(k+1), где F(k) — k-й элемент последовательности Фибоначчи. Рост последовательности Фибоначчи описывается формулой Бине: F(n) = (φⁿ - ψⁿ) / √5, где φ = (1+√5)/2 ≈ 1.618 — золотое сечение, ψ = (1-√5)/2 ≈ -0.618. Асимптотически F(n) ~ φⁿ/√5, что означает экспоненциальный рост с основанием φ ≈ 1.618, существенно медленнее геометрической прогрессии с основанием 2. Данная промежуточная скорость роста между арифметической и классической геометрической прогрессиями определяет уникальный риск-профиль стратегии.

Распространённое утверждение о «магических» свойствах золотого сечения в контексте управления капиталом не имеет математического обоснования и является примером апофении — склонности к обнаружению паттернов в случайных данных. Коэффициент φ возникает как собственное значение матрицы рекуррентного соотношения [[1,1],[1,0]] и не несёт никакой дополнительной информации о распределении случайных исходов. Статистические тесты на выборках из 10⁶ симуляций не выявляют значимого преимущества прогрессии Фибоначчи перед любой другой прогрессией с аналогичной скоростью роста. Утверждения о «гармонизации» риска через золотое сечение относятся к категории когнитивных искажений (cognitive bias) и не подтверждаются строгим статистическим анализом. Единственным объективным преимуществом данной последовательности является субэкспоненциальный рост с основанием φ < 2, обеспечивающий компромисс между агрессивностью и устойчивостью.

Моделирование методом Монте-Карло (N = 10⁷ итераций, M = 10⁴ независимых траекторий) позволяет получить эмпирическое распределение ключевых метрик стратегии Фибоначчи. При параметрах p = 0.48 и коэффициенте выплаты b = 1.0 медианный результат после 1000 итераций составляет -22.4·S₀ с интерквартильным размахом IQR = 45.7·S₀. Распределение конечного баланса демонстрирует выраженную правую асимметрию (skewness = 2.31) и положительный эксцесс (kurtosis = 8.74), что свидетельствует о наличии редких, но значительных выбросов прибыли. Сравнение с Flat Model показывает, что прогрессия Фибоначчи увеличивает вероятность достижения целевой прибыли 100·S₀ в 3.2 раза, но одновременно увеличивает вероятность полной потери капитала в 2.8 раза. Данные результаты подтверждают, что прогрессия Фибоначчи перераспределяет вероятностную массу от центра распределения к хвостам, не изменяя при этом математическое ожидание.

Траектория дисперсии в прогрессии Фибоначчи характеризуется нестационарным поведением, обусловленным зависимостью размера позиции от истории исходов. Условная дисперсия на шаге t определяется как Var(R(t)|ℱ(t-1)) = S(t)² · σ²ₓ, где ℱ(t-1) — фильтрация, порождённая предыдущими исходами. Поскольку S(t) является случайной величиной, полная дисперсия включает дополнительный член E[S(t)²] · σ²ₓ, который экспоненциально растёт при серии неудачных исходов со скоростью φ²ᵏ ≈ 2.618ᵏ. Кумулятивная дисперсия за N итераций не имеет аналитического выражения в замкнутой форме и оценивается численно через свёртку условных распределений. Для практических целей используется аппроксимация Var_total(N) ≈ N · E[S²] · σ²ₓ, где E[S²] — второй момент стационарного распределения размера позиции (при его существовании).

Риск-профиль стратегии Фибоначчи оценивается через набор стандартных метрик: Value at Risk (VaR), Conditional Value at Risk (CVaR), максимальная просадка (MDD) и коэффициент Шарпа (Sharpe Ratio). Численное моделирование при p = 0.48 даёт VaR₉₅ = -47.3·S₀, CVaR₉₅ = -78.2·S₀ и медианный MDD = 62.1·S₀ для горизонта в 1000 итераций. Коэффициент Шарпа стратегии Фибоначчи составляет -0.031, что ниже, чем у Flat Model (-0.028), но выше, чем у классического Мартингейла (-0.089). Анализ чувствительности (sensitivity analysis) показывает, что наиболее критичным параметром является верхнее ограничение на индекс последовательности k_max: при k_max = 8 (S_max = 34·S₀) вероятность разорения за 1000 итераций составляет 4.7%, при k_max = 12 (S_max = 233·S₀) — 1.2%, но потенциальная единичная потеря возрастает в 6.9 раза. Оптимальный выбор k_max определяется через решение задачи условной оптимизации с ограничением на CVaR.