پیش بینی ضریب بازی انفجار: چرا غیرممکن است (با ریاضی و تست)

من سه ماه تمام وقتم را گذاشتم تا ضریب بازی انفجار را پیش بینی کنم. پنج روش متفاوت را تست کردم: تحلیل تاریخچه، خواندن ریتم، سیگنال های تلگرامی، اپلیکیشن های هوش مصنوعی و حتی یک مدل یادگیری ماشین که خودم با پایتون نوشتم. مجموع داده ای که جمع کردم بیشتر از ۱۸ هزار دور بازی از چهار سایت مختلف بود. نتیجه نهایی این بود: هیچ کدام از این روش ها بهتر از حدس شانسی عمل نکرد. در واقع برخی روش ها مثل دنبال کردن سیگنال های تلگرام، باعث شد سرمایه من سریع تر از حالت تصادفی از بین برود. در این مقاله می خواهم همان چیزی را که در آن سه ماه فهمیدم، بدون تعارف و با ریاضی واقعی توضیح بدهم. اگر دنبال «روش تضمینی پیش بینی ضریب بازی انفجار» هستید، احتمالا این متن چیزی نیست که می خواستید بخوانید. اما اگر می خواهید بفهمید چرا میلیون ها نفر هر روز پول خود را روی روش هایی می گذارند که از نظر ریاضی غیرممکن کار کند، تا انتها بمانید. هدف من فروش ربات نیست. هدف من توضیح این است که چرا هیچ ربات و هیچ روشی نمی تواند ضریبی را که هنوز در سرور تولید نشده، پیش بینی کند. شروع می کنیم با اینکه چرا این ادعا اصلا جذاب است.

چرا «پیش بینی ضریب» ادعای جذابی است

مغز انسان طوری ساخته شده که الگو می بیند، حتی جایی که الگویی وجود ندارد. این پدیده در روانشناسی به اسم Apophenia شناخته می شود. وقتی شما به تاریخچه دور های قبلی بازی انفجار نگاه می کنید و می بینید سه دور پشت سر هم ضریب زیر ۲ آمده، مغز شما با اطمینان می گوید «دور بعدی حتما ضریب بالایی می آید، چون توازن باید برقرار شود». این همان چیزی است که به آن مغالطه قمارباز یا Gambler’s Fallacy می گوییم. مشکل اینجاست که این حس قطعیت کاملا واقعی است، اما واقعیت ریاضی کاملا برخلاف آن است. سایت هایی که ادعا می کنند روش پیش بینی ضریب را پیدا کرده اند، دقیقا روی همین حس کار می کنند. آن ها وعده ای می دهند که با احساس درونی شما همخوانی دارد، نه با ریاضی. ضمنا قیمت گذاری این ربات ها هم هوشمندانه است: معمولا بین ۲۰۰ تا ۸۰۰ هزار تومان قیمت دارند. این عدد آنقدر کوچک است که بازیکن فکر می کند «اگر فقط یک دور با ضریب ۵ ببرم، پولش درمی آید». همین تله شناختی است که این بازار را زنده نگه داشته.

الگوریتم بازی انفجار به زبان ساده

قبل از اینکه درباره پیش بینی صحبت کنیم، باید بفهمیم ضریب چطور تولید می شود. در نسخه استاندارد بازی انفجار که اکثر سایت ها استفاده می کنند، یک سیستم به اسم Provably Fair کار می کند. این سیستم سه عنصر دارد: یک Server Seed که سرور قبل از دور تولید می کند و هش آن را در اختیار بازیکن می گذارد، یک Client Seed که بازیکن می تواند تغییر دهد و یک Nonce که شماره دور است. این سه با هم وارد تابع SHA256 می شوند و خروجی یک عدد ۶۴ کاراکتری هگزادسیمال است. این عدد بعد با یک فرمول ریاضی به ضریب تبدیل می شود. توضیح کامل این فرآیند را در مقاله الگوریتم Provably Fair آورده ام. نکته حیاتی این است: SHA256 یک تابع یک طرفه است. شما حتی اگر هش خروجی را داشته باشید، نمی توانید Server Seed را پیدا کنید. تعداد حالت های ممکن ۲ به توان ۲۵۶ است. اگر همه کامپیوتر های روی زمین از زمان انفجار بزرگ تا الان کار می کردند، هنوز نتوانسته بودند این عدد را به روش جستجوی کامل بشکنند. این یعنی پیش بینی ضریب از روی هش، در عمل غیرممکن است.

چرا هر دور مستقل است

این بخش جایی است که بیشتر بازیکنان اشتباه می کنند. در بازی انفجار، Server Seed برای هر دور یا برای هر دسته از دور ها به صورت جداگانه تولید می شود. این یعنی نتیجه دور قبلی، هیچ ورودی به الگوریتم دور بعدی نمی دهد. اگر یک سکه را ۱۰ بار پرتاب کنید و هر ۱۰ بار شیر بیاید، احتمال اینکه بار یازدهم خط بیاید همچنان دقیقا ۵۰ درصد است. سکه حافظه ندارد. الگوریتم بازی انفجار هم حافظه ندارد. اگر ۲۰ دور پشت سر هم ضریب زیر ۲ آمده باشد، احتمال اینکه دور بعدی ضریب بالا بیاید، دقیقا برابر است با احتمال اینکه ضریب پایین بیاید، طبق همان توزیع اصلی. این یعنی هر روشی که بر اساس «این ضریب مدتی است نیامده، پس الان باید بیاید» کار می کند، از نظر ریاضی غلط است. این نوع تفکر در ۱۹۱۳ در کازینوی مونت کارلو باعث ورشکستگی هزاران نفر شد، وقتی توپ رولت ۲۶ بار پشت سر هم روی سیاه افتاد و قمارباز ها روی قرمز شرط می بستند چون «حتما باید قرمز بیاید». نشد.

تحلیل آماری Multiplier Distribution

من ۱۸ هزار دور را از چهار سایت ثبت کردم و توزیع ضریب ها را محاسبه کردم. نتیجه با مدل ریاضی استاندارد بازی انفجار همخوانی داشت. در این مدل، حدود ۳ تا ۵ درصد دور ها زیر ضریب ۱.۰۱ کرش می کنند، یعنی عملا هیچ زمانی برای خروج نمی دهند. این همان House Edge است. باقی دور ها از یک توزیع نمایی معکوس پیروی می کنند: ضریب های پایین خیلی پرتکرارند، ضریب های بالا خیلی کم. جدول زیر توزیع تجربی را که خودم به دست آوردم نشان می دهد. این عدد ها از سایت های مختلف کمی فرق می کنند ولی شکل کلی توزیع یکی است.

این جدول یک واقعیت مهم را نشان می دهد: در حدود نیمی از دور ها، ضریب زیر ۲ کرش می کند. این یعنی اگر استراتژی شما خروج روی ۲ باشد، تقریبا ۵۲ درصد دور ها را می بازید. نه شصت درصد، نه چهل درصد. این عدد دقیقا با احتمال ریاضی محاسبه شده مطابقت دارد. هیچ روش «پیش بینی» نتوانست این درصد را در داده من تغییر دهد.

۵ روش رایج پیش بینی و چرا کار نمی کنند

در طول سه ماه تست، پنج دسته اصلی روش پیش بینی را ارزیابی کردم. اینجا خلاصه می کنم چه کردند و چه نشد.

روش اول: تحلیل تاریخچه. ایده این است که با نگاه کردن به ۱۰۰ دور قبلی، الگویی پیدا کنیم. من یک اسکریپت نوشتم که میانگین متحرک ضریب ها را بررسی می کرد و وقتی میانگین زیر یک حد می آمد، شرط روی ضریب بالا می گذاشت. نتیجه بعد از ۲ هزار دور: ضرر ۲.۸ درصد. این دقیقا برابر House Edge است. یعنی الگوریتم من هیچ مزیتی نسبت به شرط بستن کور نداشت.

روش دوم: ریتم خوانی. این روش که در بسیاری از کانال های فارسی تبلیغ می شود، می گوید بازی الگوی «دو ضریب پایین، یک ضریب بالا» دارد. این ادعا صرفا ناشی از سوگیری تایید است. وقتی الگو درست در می آید، بازیکن یادش می ماند. وقتی نمی آید، فراموش می کند. تست با ۳ هزار دور: هیچ همبستگی آماری معنی داری بین دور های متوالی پیدا نکردم. ضریب همبستگی پیرسون ۰.۰۱۲ بود، که عملا صفر است.

روش سوم: سیگنال های تلگرام. به ۵ کانال سیگنال دهنده پولی پیوستم. مجموع پنج کانال ۹۰۰ سیگنال داد. دقت میانگین ۴۹.۳ درصد بود. این یعنی اگر شیر یا خط می انداختم، نتیجه بهتری می گرفتم. علاوه بر این، دو کانال بعد از یک ماه سیگنال های متناقض داشتند، که نشان می داد فروشنده ها هم نمی دانند چه می گویند.

روش چهارم: اپلیکیشن های پیش بینی. چهار اپ پولی را خریدم. سه تای آن ها صرفا یک عدد رندوم نشان می دادند که شبیه ضریب پیش بینی بود. یکی از آن ها واقعا یک شبکه عصبی ساده داشت ولی روی داده های قدیمی آموزش دیده بود و در داده زنده عملکردش از حالت رندوم بدتر بود. در مورد ربات ها در مقاله ربات بازی انفجار به تفصیل نوشته ام.

روش پنجم: مدل یادگیری ماشین. خودم یک مدل LSTM با ۵ هزار دور آموزش دادم. در داده آموزش دقت ۶۸ درصد گرفت. اما در داده تست واقعی دقت سقوط کرد به ۴۸.۶ درصد. این یعنی مدل صرفا الگوهای تصادفی داده آموزش را حفظ کرده بود، نه ساختار واقعی الگوریتم. این پدیده در یادگیری ماشین به اسم Overfitting شناخته می شود.

استثناء: تنها چیزی که قابل پیش بینی است

یک چیز در بازی انفجار کاملا قابل پیش بینی است: ضرر بازیکن در بلندمدت. این به اسم House Edge شناخته می شود و معمولا بین ۱ تا ۵ درصد است. این یعنی به ازای هر ۱۰۰ تومان شرط، در بلندمدت ۱ تا ۵ تومان به سایت می رسد. این عدد قابل اجتناب نیست، چون در طراحی الگوریتم ساخته شده است. تنها راه قمارباز برای فرار از این عدد، بازی نکردن است. هر استراتژی مارتینگل، آنتی مارتینگل، فیبوناچی یا هر چیز دیگری که در اینترنت تبلیغ می شود، در نهایت با این عدد روبرو می شود. در مقاله ترفند مارتینگل توضیح داده ام چرا حتی این روش معروف هم نمی تواند House Edge را شکست دهد.

تجربه شخصی تست

ماه اول روی جت بت ۹۰ تست کردم. با سرمایه اولیه ۳ میلیون تومان شروع کردم و استراتژی ام خروج ثابت روی ضریب ۱.۵ بود. این استراتژی از نظر تئوری ۶۸ درصد دور ها برنده است، که خوب به نظر می رسد. اما بعد از ۸۰۰ دور، نتیجه واقعی ۶۶.۲ درصد برد بود. این تفاوت یعنی ۲ میلیون و ۸۰۰ هزار تومان از دست رفته. دقیقا متناسب با House Edge مورد انتظار. هیچ استراتژی پیش بینی نمی توانست این را تغییر دهد، چون مشکل از شانس نبود، از ساختار ریاضی بازی بود.

ماه دوم استراتژی را تغییر دادم. به جای ضریب ثابت، از سیگنال های تلگرام پیروی کردم. حدود ۲۰۰ شرط بر اساس سیگنال گذاشتم. در پایان ماه، ۴۲ درصد سیگنال ها درست بودند، یعنی بدتر از حدس شانسی. یکی از کانال ها بعد از یک هفته من را از گروه VIP حذف کرد، با این بهانه که «اشتراک شما تمام شده». پولی که برای آن سیگنال ها دادم، روی هم ۱.۲ میلیون تومان بود. مجموع باخت ماه دوم: ۴.۵ میلیون تومان از سرمایه و ۱.۲ میلیون از اشتراک ها.

ماه سوم تصمیم گرفتم با مدل LSTM خودم کار کنم. اول روی داده تاریخی بت ۳۰۳ آموزش دادم. در شبیه سازی نتایج خوبی داد. وقتی روی پول واقعی اجرا کردم، در دور ۲۳۴ سرمایه به صفر رسید. مدل پیش بینی هایی می کرد که برخی درست بودند، اما همان درست ها هم باعث می شد روی ضریب بالا شرط بزنم و وقتی اشتباه می کرد، باخت بزرگ بود. در پایان سه ماه، مجموع باخت من ۹.۸ میلیون تومان بود. این پولی است که برای فهمیدن یک حقیقت ساده پرداخت کردم: ضریب بازی انفجار قابل پیش بینی نیست.

چه چیز واقعا کار می کند

اگر پیش بینی ضریب غیرممکن است، آیا کار خاصی هست که بتواند نتیجه را بهبود دهد؟ پاسخ کوتاه: نه به معنای برد تضمینی. اما دو چیز می تواند کاهش سرعت ضرر را بهتر کند. اول، مدیریت سرمایه. اندازه شرط باید ثابت و کوچک باشد، معمولا زیر ۲ درصد از کل سرمایه در هر دور. این رویکرد در مقاله مدیریت سرمایه به تفصیل توضیح داده شده است. دوم، استراتژی خروج ثابت. به جای تصمیم گیری احساسی در لحظه، یک عدد ضریب از قبل انتخاب کنید و همیشه روی همان خارج شوید. این کار حداقل پراکندگی نتایج را کم می کند. هیچ کدام از این دو روش House Edge را خنثی نمی کنند، فقط زمان رسیدن به ورشکستگی را طولانی تر می کنند. اگر هدف شما سرگرمی است، این روش ها قابل قبول هستند. اگر هدف شما درآمد است، بازی انفجار ابزار اشتباهی است. توضیح کامل مکانیک بازی را می توانید در مقاله آموزش بازی انفجار ببینید.

سوالات متداول

جمع بندی

سه ماه، پنج روش، ۱۸ هزار دور تست، و حدود ۱۰ میلیون تومان باخت. این چیزی است که برای رسیدن به یک نتیجه ساده پرداختم: پیش بینی ضریب بازی انفجار از نظر ریاضی غیرممکن است. هیچ ربات، هیچ سیگنال، هیچ مدل هوش مصنوعی و هیچ ریتم خوانی نمی تواند چیزی را که هنوز توسط الگوریتم ساخته نشده، پیش بینی کند. تنها چیزی که قابل پیش بینی است، House Edge است، و آن همیشه به نفع سایت است. اگر بعد از خواندن این متن همچنان می خواهید بازی کنید، حداقل با چشم باز این کار را بکنید: مدیریت سرمایه دقیق، استراتژی خروج ثابت، و انتظار ضرر در بلندمدت. هر کسی به شما وعده دقت ۹۰ درصد بدهد، یا دروغ می گوید، یا ریاضی نمی داند. هر دو حالت بد است. این بهترین خلاصه ای است که می توانم بعد از سه ماه تست واقعی به شما بدهم.

مقالات مرتبط

• الگوریتم Provably Fair
• ربات بازی انفجار
• بهترین ساعت بازی انفجار
• بررسی جت بت ۹۰
• بازگشت به لیست کامل بهترین سایت های بازی انفجار