🎲 凯利公式 (Kelly Criterion)

$$f^* = \frac{bp - q}{b} = \frac{p(b+1) - 1}{b}$$
$f^*$:最优投资比例 · $p$:胜率 · $q = 1-p$:败率 · $b$:净赔率(盈利/亏损)

公式详解

1. 离散收益版本

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

参数说明:$p$ 是胜率,$q$ 是败率,$b$ 是“赢一次净赚多少”的赔率,$f^*$ 是每次应投入的资金比例。

详细说明:这个公式寻找的是长期复利增长率最大的下注比例。它不是让你单次赢最多,而是让资金在多次重复博弈中增长最快。

2. 期望增长解释

$$g(f)=p\ln(1+bf)+(1-p)\ln(1-f)$$

参数说明:$g(f)$ 是在下注比例为 $f$ 时的长期对数增长率。

详细说明:凯利准则本质上是在最大化“长期平均对数财富增长”,所以它天然偏向复利,而不是单局收益最大化。

3. 投资场景下的连续收益率版本

$$f^*=\frac{\mu-r}{\sigma^2}$$

参数说明:$\mu$ 为资产的期望连续收益率,$r$ 为无风险利率,$\sigma$ 为收益率波动率。

详细说明:在投资场景里,若把收益看作连续复利过程,凯利比例可写成“超额收益 / 方差”。这也是资产配置和仓位管理中常见的连续时间近似。

当前使用离散博弈模型:输入胜率和净赔率,查看每次下注比例与财富路径。
▶ 进阶参数:参数不确定性 & 交易成本(推荐开启,更接近真实)
凯利最优比例 25.0%
每单位下注期望值 +0.375
凯利对数增长 0.0000
半凯利(保守) 12.5%
📉 中位最大回撤
—
一半场景下回撤不超过此值
📉 95% 分位最大回撤
—
极端场景下的深度回撤
💀 资产跌破 50% 概率
—
曾经历腰斩的场景占比
🏁 终值 5 / 50 / 95 分位
—
50 期后财富倍数分布
🔍 参数不确定性诊断
💡 当前参数下有正期望值,凯利公式给出了最优下注比例。实际应用中建议使用半凯利以降低波动。
公式展开
当前显示:第 1 次博弈
提示:图中阴影带展示 5%–95% 与 25%–75% 的场景分布,中位线为概率中点。参数不确定性开启后,每轮 trial 会重新采样真实胜率/赔率,模拟"你以为的参数"和"真实参数"之间的差距。

📘 凯利公式详解

标准介绍:在 SimLabs 的语境里,凯利公式关心的不是“这次赢多少”,而是“在一串重复决策里,怎样的仓位能让资金曲线活得更久、长得更快”。它把优势大小、赔率结构和下注比例放到同一个数学框架里讨论,提醒用户:即使方向判断正确,仓位失控也会把长期增长问题变成一次性的生死赌局。

❓ 解决了什么问题

核心问题 在已知胜率和赔率的重复博弈中,如何分配资本以避免破产并最大化长期财富增长率?传统直觉要么过度保守(收益太低),要么过度激进(终将归零)。凯利公式用数学严格地找到了这个“黄金平衡点”。

⭐ 为什么重要

重要性 它是所有专业资金管理模型的数学基础。巴菲特、查理·芒格和众多量化基金的仓位管理思想均受其影响。在投资中,它提醒我们:即使是最优质的机会,也不应全仓押注,永远要为不确定性留出安全空间。同时,它严格证明了参与“负期望值”游戏($bp - q < 0$)的长期结果只能是亏损。

🎯 应用场景

• 仓位管理:确定单只股票或策略的最大持仓比例。
• 资产配置:当不同资产有明确的风险收益特征时,计算各自的理论最优权重。
• 竞技:扑克等已知赔率的游戏中,职业玩家用凯利管理资金。
• 创业投资:估算在不同成功率项目上的资本分配。

⚠️ 缺陷与局限

• 要求准确知道胜率和赔率,现实中这两者几乎永远是一个估计区间,而非确定值。
• 全额凯利(Full Kelly)的波动极大,账户回撤可达50%以上,绝大多数人心理上难以承受,因此实践中常用“半凯利”或更保守的比例。
• 假设每次博弈独立且参数恒定,而金融市场中存在相关性、分布厚尾等复杂特征。
• 若高估了自己的胜率优势,使用凯利公式反而会加速亏损。

📚 理论来源 / 延伸阅读

• John L. Kelly Jr.:A New Interpretation of Information Rate
• Edward O. Thorp:《Beat the Dealer》
• Edward O. Thorp:《Beat the Market》
• MacLean、Thorp、Ziemba:《The Kelly Capital Growth Investment Criterion》

📝 使用说明

本页为教育用途的理论解释与交互模拟,不构成投资建议。