索普量化第一章：凯利公式——概率优势与最优仓位数学

"如果你下注过多，即便每一把都有统计优势，几何复利的魔鬼也会最终将你清零。" —— 爱德华·索普

为什么量化革命始于索普

在华尔街还依赖内部消息、直觉和传统图表形态的 1960 年代，数学家爱德华·索普（Edward O. Thorp）用一台 IBM 704 计算机开创了现代量化交易的先河。索普的核心贡献不是预测未来，而是用纯粹的数学概率论与资金管理算法，在存在微弱正期望的市场中实现确定性的几何复利增长。

在本站已收录的 48 本经典著作中，我们讨论过巴菲特的价值护城河、塔勒布的黑天鹅防线以及内滕伯格的期权波动率，但从未从数学上推导过：面对一个已知的正期望交易机会，到底应该投入多少比例的资金？

下注太少，财富增长缓慢；下注过多，哪怕单次胜率高达 90%，在连续不利事件的冲击下也会发生不可逆的净值崩塌。凯利公式（The Kelly Criterion）正是解决这一两难问题的终极数学工具。

凯利公式的严格数学推导

假设一项投资的获胜概率为 $p$，失败概率为 $q = 1 - p$。获胜时的净赔率为 $b$（即投入 1 元，净赚 $b$ 元），失败时损失全部本金。

若初始资本为 $V_0$，每次投入固定资金比例 $f$，经过 $N$ 次独立重复交易（其中获胜 $W = Np$ 次，失败 $L = Nq$ 次），期末总资本 $V_N$ 为：

$$V_N = V_0 (1 + bf)^W (1 - f)^L$$

为了最大化长期资本增长率，我们对财富的几何增长率 $G(f)$ 求极值：

$$G(f) = \lim_{N o \infty} rac{1}{N} \ln\left(rac{V_N}{V_0} ight) = p \ln(1 + bf) + q \ln(1 - f)$$

对 $f$ 求一阶导数并令其等于零：

$$rac{dG}{df} = rac{pb}{1 + bf} - rac{q}{1 - f} = 0$$

解得最优下注比例 $f^*$ 为：

$$f^* = \frac{pb - q}{b} = \frac{p(b + 1) - 1}{b}$$

过度下注的致命陷阱：为什么满仓是死路一条

索普在《击败庄家》与《战胜市场》中反复强调：全凯利（Full Kelly）是资金增长的理论上限，绝非保守推荐。

几何增长率 G(f) 曲线示意:
      ^
G(f)  |          最优峰值 f* (全凯利)
      |              /      |             /        |            /          |           /            |----------/--------\-------------------> f (下注比例)
      |         /          \ 破产悬崖 (2f* 处 G(f) = 0)
      |        /                  v

1. 当 $f < f^*$ 时（欠注区）： 资本增长率低于理论最优，但波动极小，破产概率严格为 0。
2. 当 $f = f^*$ 时（全凯利）： 几何增长率达到最高点，但波动率极大，历史回撤常达 50% 以上。
3. 当 $f^ < f < 2f^$ 时（过注区）： 承担了更高的波动，收益率却反而下降！
4. 当 $f \ge 2f^*$ 时（毁灭区）： 尽管单次期望为正，长期期望增长率变为负数，时间拉长后必然 100% 破产！

实战策略：分数凯利与多资产配置

在实际二级市场交易中，参数 $p$ 与 $b$ 不是抛硬币那样的物理常数，而是带有估计误差的随机变量。因此，专业量化对冲基金普遍采用分数凯利（Fractional Kelly）：

• 半凯利（Half Kelly, $0.5 f^*$）： 获得最优增长率的 75%，但将波动率降低 50%，最大回撤大幅压缩。
• 四分之一凯利（Quarter Kelly, $0.25 f^*$）： 适用于存在参数不确定性及高波动品种（如 0DTE 期权、加密资产）。

def kelly_criterion(win_rate: float, win_loss_ratio: float, fraction: float = 0.5) -> float:
    """
    计算分数凯利最优仓位比例
    :param win_rate: 胜率 (0.0 到 1.0)
    :param win_loss_ratio: 盈亏比 (平均盈利 / 平均亏损)
    :param fraction: 凯利乘数 (默认 0.5 为半凯利)
    :return: 建议单笔仓位资金百分比
    """
    q = 1.0 - win_rate
    f_star = (win_rate * win_loss_ratio - q) / win_loss_ratio
    optimal_f = max(0.0, f_star) * fraction
    return round(optimal_f * 100, 2)

# 示例：胜率 55%，盈亏比 1.5 的稳健趋势策略
print(f"全凯利仓位: {kelly_criterion(0.55, 1.5, 1.0)}%")  # 输出 25.0%
print(f"半凯利仓位: {kelly_criterion(0.55, 1.5, 0.5)}%")  # 输出 12.5%

可执行的操作规则

1. 严禁在未统计胜率与盈亏比前开仓。 任何交易系统在没有至少 100 笔独立回测样本得出 $p$ 和 $b$ 之前，仓位不得超过总资本的 2%。
2. 默认使用半凯利（Half Kelly）作为硬性风控上限。 将计算出的全凯利值直接乘以 0.5，以此对冲黑天鹅冲击与滑点摩擦。
3. 多策略并行时的协方差约束。 当多个交易策略同时触发时，总凯利暴露比例不得超过 100%（无杠杆）或账户净资产的安全保证金倍数。