🎯 今日核心问题

  1. 胜率 55%、赔率 1:1 的机会,一次该压多少仓位?
  2. 凯利公式算出来 111%,为什么实战要砍到一半甚至四分之一?
  3. 下注过度和下注不足,哪个更致命?

📖 精读提纲

【一】凯利公式在解什么问题

凯利公式要最大化的是长期复利增长率(对数期望),不是单次期望收益。单次期望收益最大化的答案是「能压多少压多少」,但那样一次亏损就出局,永远走不到长期。凯利找到了「既不过度也不过少」的那个点:

f* = (b·p − q) / b (b 为赔率,p 为胜率,q = 1−p)

股票场景常用连续版本:f* = (μ − r) / σ²,μ 是预期超额收益,σ² 是方差。两式本质一致:收益越高、风险越低,该压得越重。

【二】具体算例:五个数字

算例 A:胜率 55%、赔率 1:1(赢赚 1 倍、输亏 1 倍)。f* = (1×0.55 − 0.45)/1 = 10%。半凯利 5%,1/4 凯利 2.5%。

算例 B:胜率 55%、赔率 2:1。f* = (2×0.55 − 0.45)/2 = 32.5%。半凯利 16.25%。同一个胜率,赔率翻倍,仓位翻三倍多——这就是「赔率比胜率更重要」的数学表达。

算例 C:胜率 50%、赔率 2:1。f* = (2×0.5 − 0.5)/2 = 25%。胜率只有一半,但赔率够好,仍然值得重仓。

算例 D:胜率 40%、赔率 2:1。f* = (2×0.4 − 0.6)/2 = 10%。胜率跌破盈亏平衡点 33.3% 之前都还能下注。

算例 E(连续版):预期年化超额收益 12%、波动率 30%,则 f* = 0.12/0.09 = 133%——超过 100%,说明「理论最优」要求加杠杆。半凯利 66%,1/4 凯利 33%。这个数字在实盘里几乎没人敢用,原因见下一节。

【三】为什么实战必须减半:凯利对参数极度敏感

凯利的致命弱点不是公式错,而是你不真的知道 p、b、μ、σ。它们全是估计值。看这个敏感性:σ 是平方项,σ 低估 20%(回测期恰好是低波动期,非常常见)就会让 f* 高估 56%;把 μ 从 12% 高估到 15%、σ 从 30% 低估到 25%,f* 从 1.11 跳到 2.08,几乎翻倍。

而过度的代价是不对称的:增长率 g(f) = f·μ − 0.5f²σ² 是一条开口向下的抛物线,顶点在 f*;f = 2f* 时 g 恰好回到 0——不是「少赚」,是长期增长率归零。而 f = 0.5f* 时 g 仍有峰值的 75%。少下一半只损失 25% 的增长率,多下一倍直接归零。

代码里做了两件事来验证。第一件是反向操作:把 μ 估低、σ 估高,f* 从 1.11 一路掉到 0.81、0.59、0.42——用保守参数算出来的仓位天然小一半,这比在乐观参数上手动减半更稳,因为你只需要赌「方向估对」,不必赌「估得准」。第二件是蒙特卡洛:胜率 55%、赔率 1:1、300 次下注,全凯利(10%)中位数终值 4.49 倍但破产率 4.2%,半凯利(5%)中位数 3.08 倍而破产率 0%,两倍凯利(20%)中位数 0.96 倍、破产率 49.9%。两倍凯利不是「赚得更多」,是「五次里两次归零」。

【四】实盘落地的四条纪律

1. 上限硬约束。单票不超过 20%(无论凯利算出多少),加杠杆一律禁止。凯利说的是「这个赌局」,而你的账户还会遇到没进模型的尾部风险。

2. 用保守的参数。μ 取下置信区间(比如历史均值的 70%),σ 取上置信区间(加上 2015 那种极端月的波动)。用保守参数算出来的 f*,本身就接近半凯利。

3. 分注而不是一把。凯利假设你可以无限次重复下注,但真实机会有限、且相似机会高度相关。把凯利仓位拆成 3~5 次建仓,可以摊平「这一次参数估错」的伤害。

4. 越确定越接近半凯利,越不确定越靠近 1/4。研究得极透的老行业,可以到 1/2 凯利;靠一个因子信号选出来的票,1/4 凯利都嫌多。全凯利只存在于教科书里。

【五】常见误区

💻 代码示例

import numpy as np

# ══ 一、二项式凯利:离散输赢 ══════════════════════════════
# b = 赔率(赢时赚 b 倍本金),p = 胜率,q = 1-p
def kelly(p, b):
    return (b * p - (1 - p)) / b

print("【二项式凯利】")
for p, b in [(0.50, 2.0), (0.55, 1.0), (0.55, 2.0), (0.60, 1.5), (0.40, 2.0)]:
    f = kelly(p, b)
    print(f"  胜率 {p:.0%} 赔率 {b:.1f}:1 → 全凯利 {f:>7.2%}  "
          f"半凯利 {f/2:>7.2%}  1/4凯利 {f/4:>7.2%}")

# ══ 二、连续凯利:用 μ 和 σ² 算(股票更常用)══════════════
# f* = (μ - r) / σ²
print("\n【连续凯利】无风险利率 2%")
for name, mu, sig in [("高确信", 0.20, 0.25), ("中等", 0.12, 0.30), ("低确信", 0.06, 0.35)]:
    f = (mu - 0.02) / sig**2
    print(f"  {name}: μ={mu:.0%} σ={sig:.0%} → 全凯利 {f:>7.2%}  半凯利 {f/2:>7.2%}")

# ══ 三、参数估保守了,仓位会掉多少 ══════════════════════
print("\n【保守估计的代价】真实 μ=12%, σ=30%(全凯利 f*=1.11)")
mu_true, sig_true, rf = 0.12, 0.30, 0.02
def growth(f, mu=mu_true, s=sig_true):
    return rf + f * (mu - rf) - 0.5 * f**2 * s**2      # 对数增长率
for err in [0.0, 0.10, 0.20, 0.30, 0.50]:
    mu_hat, sig_hat = mu_true * (1 - err), sig_true * (1 + err)
    f_hat = (mu_hat - rf) / sig_hat**2
    print(f"  μ估低{err:>3.0%}、σ估高{err:>3.0%}: f*={f_hat:.2f} "
          f"| 该仓位真实增长 {growth(f_hat):+.2%} "
          f"| 若再减半 {growth(f_hat/2):+.2%}")

# ══ 四、蒙特卡洛:全凯利 / 半凯利 / 两倍凯利 ═════════════
np.random.seed(11)
N_SIM, N_BET, p, b = 20000, 300, 0.55, 1.0
f_full = kelly(p, b)
print(f"\n【蒙特卡洛】{N_BET} 次下注,胜率 {p:.0%},赔率 {b:.0f}:1,f*={f_full:.1%}")
print(f"{'策略':<8}{'中位数终值':>11}{'破产率':>9}{'5%分位':>9}")
for name, f in {"全凯利": f_full, "半凯利": f_full/2,
                "1/4凯利": f_full/4, "两倍凯利": f_full*2}.items():
    final, ruin = np.empty(N_SIM), 0
    for i in range(N_SIM):
        wins = np.random.rand(N_BET) < p
        path = np.cumprod(1 + np.where(wins, f * b, -f))
        final[i] = path[-1]
        ruin += path.min() < 0.10                       # 回撤 90% 视为破产
    print(f"{name:<8}{np.median(final):>11.2f}{ruin/N_SIM:>9.1%}"
          f"{np.quantile(final, 0.05):>9.2f}")

✏️ 今日动手

1) 用你策略的真实历史交易,统计胜率 p 和平均盈亏比 b,代入 f* = (bp − q)/b 算出全凯利仓位。如果结果是负数,说明你的策略根本没有正期望,先别谈仓位。

2) 把上一步的 f* 减半,作为你的单票上限,再和 20% 的硬上限取小。这个数字就是你今后每只票的仓位天花板。

3) 跑一遍蒙特卡洛:300 次下注、胜率 55%、赔率 1:1,对比全凯利(10%)与两倍凯利(20%)的中位数终值和破产率。你会看到 20% 的仓位在 300 次之后大概率归零——这就是「过度下注比不下注更危险」的实证。

🔖 明日预告

有了目标权重,下一个问题是:市场涨跌后权重会漂移,什么时候该调回去?每天调、每季调、还是偏离超过 5% 才调?明天讲再平衡规则,以及为什么「定期」和「阈值」在A股的差别比你想的大得多。