Симуляция математики слота: Монте-Карло, выборка и хвост

У каждого слота есть число, которое нельзя вычислить: вероятность самого редкого исхода. Комбинации базовой игры считаются точно — ленты, таблица выплат, перебор позиций. Но функция с респинами, каскадами, составными множителями и капом имеет пространство состояний, которое перебрать невозможно. Поэтому студия делает единственное доступное: моделирует. Разберём, как устроена эта симуляция, что она может и чего не может показать, и почему размер прогона — вопрос комплаенса, а не повод похвастаться.

Точно там, где можно; Монте-Карло там, где нельзя

Нормальный математический конвейер гибридный. Базовая игра считается аналитически: для каждой комбинации остановок оценивается таблица выплат, умножается на вероятность, всё суммируется. На выходе базовый RTP без какой-либо ошибки выборки. Функция оценивается методом Монте-Карло: её запускают миллионы или миллиарды раз из условий входа, записывают распределение выплат, берут среднее.

Причина такого разделения — точность. Аналитический результат точен, смоделированный несёт доверительный интервал, который сужается как корень из объёма выборки. Их сочетание даёт лучшее от обоих и бесплатно даёт проверку согласованности: симуляция базовой игры обязана сойтись к числу, которое перебор уже доказал.

Сколько спинов достаточно

Честный ответ: столько, чтобы доверительный интервал публикуемой цифры был уже, чем заявляемая точность. Для общего RTP с двумя знаками после запятой обычно хватает десятков миллионов входов в функцию. Для вероятности максимального выигрыша — события, которое может случаться раз в 50 миллионов раундов, — нужны миллиарды раундов, прежде чем оценка перестанет плавать, потому что вы меряете ширину хвоста по горстке наблюдений.

Вот здесь студии тихо расходятся. Десять миллионов спинов — цифра, которая солидно выглядит в коммерческой карточке и категорически не подходит для характеристики хвоста. Когда лаборатория пересчитывает вклад функции и получает значение вне заявленного интервала, обычная причина — не мошенничество, а симуляция, которую остановили слишком рано.

Снижение дисперсии и его ловушка

Есть законные способы прийти к точности быстрее: выборка по значимости с перевзвешиванием редких ветвей, контрольные переменные на базе аналитически известной базовой игры, стратификация по состояниям входа в функцию, общие случайные числа при сравнении двух конфигураций. Всё это стандартная практика количественной работы и всё безопасно, если перевзвешивание сделано корректно.

Ловушка тоньше. Каждая техника вносит предположение о структуре процесса, и если у функции есть ветка, которую сэмплер посещает редко, оценка может быть одновременно точной и неверной — узкий интервал вокруг смещённого среднего. Защита скучная и рабочая: параллельно гонять простую невзвешенную симуляцию меньшей точности и проверять, что обе сходятся.

Чего симуляция не умеет

Она не валидирует модель. Если ленты в симуляторе отличаются от лент в сборке, симуляция описывает несуществующую игру — именно поэтому лаборатория требует математический модуль с хешем версии и перезапускает его сама, а не верит отчёту. Ещё она не говорит, что почувствует игрок: RTP 96% на миллиарде раундов ничего не сообщает о медианной сессии в 300 спинов. Для этого нужен другой выход того же прогона — распределение исходов сессии, которое и обобщает показатель волатильности и которое нормальная PAR sheet приводит рядом со средним.

Если читать числа вместе

Возьмите четыре артефакта — аналитическую таблицу базовой игры, оценку функции по Монте-Карло, эмпирический RTP с интервалом и распределение по сессиям — и вы ответите на вопросы, которые действительно решают, работает ли игра. Достижим ли заявленный RTP во всех режимах ставки? Не тянет ли функция столько возврата, что базовая игра мертва? Та ли вероятность максимального выигрыша, что написана в карточке? Любой сбой здесь всплывает в одном и том же месте — повторной подаче в лабораторию.

Куда это движется

• Размер симуляции станет публикуемой цифрой. Лаборатории уже её спрашивают; следующий шаг — карточки с формулировкой «эмпирический RTP 96,12% ± 0,01 на 4×10⁹ раундов», как оформляют научный результат. Студии, которые уже работают в таком масштабе, получают дешёвый сигнал доверия.
• Предвычисленные платформы размывают границу. Когда набор исходов сам является симуляцией, проверка смещается с «достаточно ли вы смоделировали» на «правильно ли взвешен набор» — другой и в чём-то более простой аудит.
• Дешёвые вычисления поднимают планку. Миллиарды раундов раньше были задачей для кластера; сегодня аккуратный модуль на компилируемом языке считает их за ночь. Логично ждать роста минимального порога и того, что студии без точности на хвосте начнут проигрывать подачи тем, у кого она есть.

Дальше по теме: что и зачем пересчитывает лаборатория и как механики формируют распределение. Математика, симуляция и PAR sheet входят в нашу разработку слотов.