ICM от первых принципов: Как Малмут-Харвилл превращает фишки в доллары

Фишки на финальном столе — это не деньги, а лотерейные билеты с уменьшающейся отдачей. Вот точный алгоритм, который превращает Stack в долларовое выражение, выведенный с нуля и продемонстрированный на реальных числах.

Каждый турнирный игрок слышал лозунг: «Ваши фишки не стоят своей номинальной стоимости». Его повторяют на финальных столах, как священное писание, обычно прямо перед тем, как кто-то делает плохой Call и винит Variance. Но этот лозунг не фольклор — это теорема. Существует точный, вычислимый алгоритм, который принимает вектор Stacks и структуру Payout и возвращает долларовое значение для каждого места. Этот алгоритм — Independent Chip Model, и его наиболее широко используемая версия — это Malmuth-Harville.

Если вы понимаете ICM как «черный ящик»: «калькулятор говорит Fold». Вы будете принимать правильные решения в простых ситуациях и ошибаться в сложных. Если же вы понимаете его как алгоритм, вы сможете восстановить его за столом, предвидеть, когда он перестанет работать, и точно знать, почему Chip Leader за финальным столом «беднее», чем предполагает его Stack, а Short Stack «богаче», чем свой. Эта статья чисто выводит модель, демонстрирует конкретный пример с четырьмя игроками с явными числами, сравнивает Malmuth-Harville с его менее известным «кузеном» Malmuth-Weitzman, а затем показывает, где заканчивается статический ICM и начинается Future Game Simulation.

Основная проблема: Фишки нелинейны по отношению к деньгам

В Cash Game фишка — это доллар. Stack EV и Money EV — это один и тот же объект, поэтому Cash стратегия сводится к максимизации выигранных фишек за руку. Турниры разрывают эту связь. Вы не можете обналичить фишки; вы можете только конвертировать свою финишную позицию в Payout. И структура Payout вогнута: за первое место платят гораздо меньше пропорциональной стоимости всех фишек в игре.

Конкретно: в типичной структуре первое место может составлять 50% призового фонда при удержании 100% фишек в конце. Эти 50 процентных пунктов «недостающей» Equity не исчезли. Они были распределены между всеми остальными по ходу игры, пропорционально их шансам пересидеть других игроков. Вся задача ICM состоит в том, чтобы выяснить, как разделить фиксированный призовой фонд между оставшимися игроками, основываясь только на их текущих Chip Counts.

Слово «Independent» (независимый) в названии указывает на центральное упрощающее допущение: ICM рассматривает вероятности финиша так, как будто они зависят только от Chip Counts, игнорируя Position, Skill, Blind Level и будущую игру. Это допущение ошибочно в деталях, но полезно в совокупности: подробнее об этом, когда мы доберемся до FGS.

Модель Малмута-Харвилла

Малмут-Харвилл основывается на одной четкой аксиоме:

Вероятность того, что данный игрок финиширует первым, равна его доле от общего количества фишек в игре.

Если игрок i держит Stack \(s_i\), а общее количество фишек в игре равно \(T\), то:

\[P(i \text{ финиширует 1-м}) = \dfrac{s_i}{T}\]

Это и есть весь механизм. Все остальное — это учет.

Элегантная часть заключается в том, как он обрабатывает более низкие финишные позиции. Как только вы определили, кто финиширует первым, этот игрок и его фишки исключаются из рассмотрения, и вы задаете тот же вопрос оставшемуся полю с оставшимися фишками. Вероятность того, что игрок j финиширует вторым, это вероятность того, что кто-то другой финиширует первым, умноженная на вероятность того, что j «выигрывает» суб-турнир среди выживших.

Формально, вероятность того, что j финиширует вторым, это сумма по каждому возможному финишировавшему первым k (где k ≠ j):

\[P(j \text{ на 2-м месте}) = \sum_{k \neq j} P(k \text{ на 1-м месте}) \cdot \dfrac{s_j}{T - s_k}\]

Прочитайте это внимательно. При условии, что k финиширует первым, фишки k выходят из пула, новый общий Stack составляет \(T - s_k\), и в этом уменьшенном поле игрок j финиширует «первым» (то есть вторым в целом) с вероятностью \(s_j / (T - s_k)\). Суммируйте по каждому способу, которым может быть занято первое место, и вы получите точную вероятность второго места для j.

Третье место рекурсивно углубляется на один уровень: суммируйте по всем упорядоченным парам (1-е, 2-е) финишировавших игроков, удалите оба Stacks и вычислите долю j от оставшихся-оставшихся фишек. В общем, вы перечисляете порядки финиша, взвешиваете каждый порядок его вероятностью по Malmuth-Harville и аккумулируете. Для n оставшихся игроков существует n! порядков — это тривиально для финального стола из девяти (362 880 порядков, миллисекунды вычислений), поэтому ICM на реальном финальном столе является точным, а не приблизительным.

Ваша долларовая Equity

Как только вы получили полное распределение финишей, для каждого игрока, вероятность финиша 1-м, 2-м, 3-м и т.д.: конвертация в деньги является скалярным произведением. Пусть \(\text{выплата}[r]\) будет Payout за финиш на позиции r. Тогда:

\[\text{EV}(i) = \sum_r P(i \text{ финиширует на позиции } r) \cdot \text{выплата}[r]\]

Эта единственная строка, главный результат модели: ваша турнирная Equity в долларах, это сумма по каждой финишной позиции вероятности того, что вы займете эту позицию, умноженная на выплату за эту позицию. ICM (это не что иное, как принципиальный способ вычисления этих вероятностей).

Конкретный пример с четырьмя оставшимися игроками

Теория лучше усваивается на числах. Осталось четыре игрока. Stacks и призовой фонд в $10,000 с выплатами 50 / 30 / 15 / 5:

| Игрок | Stack | Доля фишек | Payout за этот финиш | |---|---|---|---| | A | 5,000 | 50% | 1-е место = $5,000 | | B | 3,000 | 30% | 2-е место = $3,000 | | C | 1,500 | 15% | 3-е место = $1,500 | | D | 500 | 5% | 4-е место = $500 | | Итого | 10,000 | 100% | Pool = $10,000 |

Обратите внимание на намеренную ловушку в этой настройке: Payout (50/30/15/5) точно отражают доли фишек (50/30/15/5). Если бы фишки были линейны по отношению к деньгам, $EV каждого игрока равнялся бы его доле фишек в долларах: A = $5,000, B = $3,000, C = $1,500, D = $500. ICM покажет, что ни одно из этих утверждений неверно.

Шаг 1 — P(1st) — это просто доля фишек

Прямо из аксиомы, и сумма точно равна 1:

(0.5000 + 0.3000 + 0.1500 + 0.0500 = 1.0000.) ✓

Шаг 2: Одна рабочая ветвь P(2nd)

Давайте вручную вычислим P(D финиширует 2-м), суммируя по тем, кто мог финишировать первым:

Сумма: 0.05000 + 0.02143 + 0.00882 = 0.08025. Таким образом, D, имея 5% фишек, финиширует вторым примерно в 8% случаев. Та же рекурсия, примененная к каждому игроку (здесь вычислено полным перечислением всех 24 порядков), дает полную таблицу распределения финишей ниже. Колонка 1-го места точна по аксиоме; колонки 2-го/3-го/4-го места, это правильная рекурсия Малмута-Харвилла, округленная:

| Игрок | P(1-е место) | P(2-е место) | P(3-е место) | P(4-е место) | |---|---|---|---|---| | A | 0.5000 | 0.3288 | 0.1456 | 0.0255 | | B | 0.3000 | 0.3687 | 0.2613 | 0.0699 | | C | 0.1500 | 0.2222 | 0.4197 | 0.2081 | | D | 0.0500 | 0.0803 | 0.1733 | 0.6965 |

Каждая строка суммируется до 1.0, и каждый столбец суммируется до 1.0: оба являются проверками на адекватность, которые модель должна пройти. Обратите внимание, как Short Stack D с подавляющей вероятностью выбывает первым (69.65%), но это больше не гарантировано: выживание является вероятностным до самого конца.

Шаг 3: Конвертация в доллары

Умножьте распределение финишей каждого игрока на вектор Payout [5000, 3000, 1500, 500]:

| Игрок | Доля фишек | «Фишечная Equity» $ (линейная) | ICM $EV | Разница с фишками | |---|---|---|---|---| | A | 50% | $5,000 | $3,717.74 | −$1,282.26 | | B | 30% | $3,000 | $3,033.17 | +$33.17 | | C | 15% | $1,500 | $2,150.19 | +$650.19 | | D | 5% | $500 | $1,098.89 | +$598.89 | | Итого | 100% | $10,000 | $10,000.00 | 0 |

Доллары суммируются обратно к полному призовому фонду в $10,000: Equity сохраняется, никогда не создается и не уничтожается. В этом суть всей модели, выраженная в простых числах:

Это не особенность этих конкретных Stacks; это структурная особенность. Вогнутость структуры Payout плюс тот факт, что даже Stack из одной фишки гарантирует какую-то финишную позицию, означает, что Short Stacks систематически переоценены в долларах относительно фишек, а Big Stacks систематически недооценены. Все «притягиваются к середине» шкалы выплат.

Почему это меняет вашу игру

Практическое следствие выражается одной фразой: risk premium. Поскольку ваши последние проигранные фишки стоят больше (в $), чем следующие выигранные фишки, безубыточная Equity для Stack-off поднимается выше наивной Chip-EV безубыточности. Ситуация, которая является очевидным Call по Chip-EV, может быть очевидным Fold по ICM.

Рассмотрим ситуацию Chip Leader A через призму вышесказанного: A, рискуя фишками против среднего Stack, ставит доллары по невыгодному курсу (A платит полную стоимость маржинальных фишек при проигрышах, но получает дисконтированную стоимость маржинальных фишек при выигрышах, потому что удвоение не удваивает деньги A (A уже находится близко к вершине кривой)). Short Stack D, напротив, имеет низкий risk premium против больших Stacks: фишками D дешево рисковать, потому что его даунсайд мал и хорошо компенсируется Laddering Equity. Это математическая основа для утверждений «Big Stacks должны давить, но не против другого Big Stack» и «ICM pressure сильнее всего давит на средние Stacks»: средние Stacks имеют наибольшую Ladder Equity для потери и наименьшую для получения.

Вам не нужно гадать. Введите Stacks и Payouts в Калькулятор ICM shadepoker, считайте $EV каждого места, и risk premium для любого данного противостояния будет виден при сравнении долларовой Equity до/после выигрыша против выбывания. Этот долларовый Swing до/после, а не фишечный Swing — это число, с которым должно соотноситься ваше решение на River.

Малмут-Харвилл против Малмута-Вайцмана

Малмут-Харвилл является стандартным во всех коммерческих ICM-инструментах, но это не единственная модель порядка финиша. Малмут-Вайцман отвечает на тот же вопрос (учитывая Chip Counts, каково распределение финишей) с другим правилом обусловливания.

Различие заключается в том, как выводятся более низкие места. Харвилл строит распределение вперед: фиксирует, кто финиширует первым (вероятность = доля фишек), удаляет их, рекурсивно обрабатывает выживших. Вайцман же рассуждает снизу вверх: моделируя вероятность финиша последним как обратно пропорциональную Stack фишек, а затем рекурсивно поднимаясь вверх по порядку выбывания. Две модели полностью совпадают по P(1st) и в случае двух игроков, но они присваивают немного разные вероятности средним финишным позициям в более крупных полях и, следовательно, немного разные долларовые Equity.

Что «правильно»? Ни одна из них не является эмпирически совершенной: обе являются упрощениями реального процесса выбывания, который зависит от Blinds, Position и Skill. Харвилл выиграл конкурс популярности, потому что его прямая рекурсия интуитивна, быстра и приемлемо хорошо соответствует наблюдаемым турнирным данным. Вайцман, как правило, немного более пессимистичен для Big Stacks и немного более добр к Short Stacks, чем Харвилл. Разногласия реальны, но обычно невелики по сравнению с ошибкой моделирования, которую обе модели разделяют относительно реальности. Для практических целей: знайте, что «ICM» почти всегда означает Малмута-Харвилла, знайте, что Вайцман существует как принципиальная альтернатива, и не мучайтесь из-за различий во втором знаке после запятой между ними. Они ничтожны по сравнению с допущениями, которые делают обе модели.

За пределами статического ICM: Future Game Simulation

Вот честное ограничение. Статический ICM предполагает, что турнир завершается без дальнейшей игры: как будто распределение финишей кристаллизуется в тот момент, когда вы замораживаете Stacks. Он содержит две фикции:

  1. Нет будущих рук. Blinds не увеличиваются, Antes не истощают Stacks, никто не Open-Shove в кого-либо. Фишки рассматриваются как фиксированная лотерея.
  2. Нет Skill. Каждый игрок идентичен. Регуляр мирового класса и рекреационный игрок с одним и тем же Stack получают одинаковую Equity. Position относительно Button, огромное преимущество Short Stack, невидима для модели.

Эти фикции наиболее важны, когда остается много будущей игры: более глубокие Stacks, большие Blinds относительно Stacks и Button, который обойдет несколько раз, прежде чем кто-либо Bust. Статический ICM систематически неправильно оценивает эти ситуации, потому что он игнорирует позиционные преимущества и преимущества инициативы, которые накапливаются в течение следующего Orbit.

Future Game Simulation (FGS): это уточнение. Вместо замораживания Stacks, FGS симулирует следующие k рук игры, обычно небольшой Lookahead от одной до четырех рук, используя упрощенную стратегию (часто Push/Fold или модель, полученную Solvers) для того, как будут разыгрываться Blinds, и только затем применяет статический ICM к полученному распределению Stacks. По сути, FGS позволяет фишкам «играть вперед» немного, прежде чем конвертировать их в доллары, захватывая ценность Position и стоимость скорой постановки Blinds.

Выгода: FGS вознаграждает за наличие Position на Short Stack, наказывает за скорую постановку Big Blinds с маргинальным Holding и в целом смягчает некоторые из самых жестких Fold статического ICM в ситуациях, где вы сможете использовать свой Skill и Position до того, как кто-либо будет устранен. Стоимость — это вычисления и сложность моделирования: симуляция так же хороша, как и стратегия, которую вы предполагаете для этих будущих рук, а пространство состояний быстро взрывается с глубиной Lookahead, поэтому глубины FGS остаются неглубокими. Думайте о FGS как о статическом ICM плюс короткий, принципиальный взгляд на следующий Orbit. Для решений на финальном столе и Bubble, где будущая игра ограничена, статический Малмут-Харвилл уже превосходен; для более глубоких Pay-Jump ситуаций средней стадии, FGS значительно корректирует его.

Вывод

ICM — это не ощущение. Это конкретный алгоритм: P(1st) равно доле фишек, более низкие места следуют путем удаления более высоких финишировавших и рекурсии, а ваша долларовая Equity, это распределение финишей, умноженное на Payout Ladder. Запустите его на любой ситуации с четырьмя игроками, и каждый раз будет проявляться та же структурная истина: Chip Leader стоит меньше своего Stack, Short Stack стоит больше, а средние Stacks: это те, кого модель сжимает сильнее всего.

Игроки, которые это усваивают, не просто «играют Tight на Bubble». Они оценивают каждый All-in относительно долларового Swing, а не фишечного Swing, они знают, когда их risk premium позволяет им Gamble, а когда сковывает, и они точно понимают, какие допущения модели вот-вот нарушатся: это тот момент, когда нужно опираться на FGS или чистое суждение. Этот разрыв между отношением к фишкам как к деньгам и знанием точного обменного курса: это разрыв между Min-Cash и результатами финального стола. Введите реальную ситуацию в ICM-калькулятор shadepoker, прочитайте долларовые Equity и начните делать это преобразование своей второй натурой.