2. 概率与赔率基础

在进入凯利公式的具体计算之前，必须先建立一套清晰的概率语言。仓位管理本质上不是预测行情，而是在不确定条件下做资源配置。胜率、赔率、期望值和独立重复试验，是这套语言中最基础的四个概念。理解它们，才能理解为什么“高胜率”不等于“高收益”，也才能理解凯利公式为何强调“按优势下注”。

一、核心概念：胜率、赔率与期望值

胜率（Win Rate，记为 p）指在多次重复决策中，盈利次数占总次数的比例。例如交易100次，盈利60次，胜率就是60%。赔率描述的是盈亏的相对大小，通常用“盈亏比”表示：平均每次盈利金额与平均每次亏损金额之比，记为 b。若平均盈利100元、平均亏损50元，则 b = 2。

把胜率和赔率合在一起，就得到期望值（Expected Value，EV）。它是每次决策平均能带来的收益，公式为：

EV = p × 盈利额 − (1 − p) × 亏损额
若以“每1元风险”为单位，则：
EV = p × b − (1 − p)
其中 p 为胜率，b 为盈亏比。

期望值为正，说明长期重复下去有优势；期望值为负，说明无论怎么调整仓位，长期都会亏损。这是仓位管理的前提：先有正期望，再谈最优仓位。凯利公式只解决“有优势时下多少”，不解决“没有优势时如何赢”。

二、独立重复试验：为什么长期结果由期望值决定

仓位管理讨论的不是单次结果，而是长期重复。这里需要引入独立重复试验：每次决策的结果互不影响，且每次的胜率与赔率保持稳定。真实市场并不完全满足这一假设，但它是理解凯利公式的必要简化。

在独立重复试验下，大数定律告诉我们：当次数足够多时，实际平均收益会趋近于期望值。单次结果随机，长期结果却由期望值主导。这意味着两件事：第一，不要用一次盈亏评价策略；第二，仓位大小会通过“复利”放大或缩小期望值的长期效果。

举例：某策略胜率50%，赔率2，则 EV = 0.5×2 − 0.5 = 0.5，即每承担1元风险，长期平均赚0.5元。若每次全仓，遇到连续亏损可能直接出局；若仓位过小，复利增长又太慢。凯利公式要解决的，正是在“增长”与“生存”之间找到平衡点。

三、方法流程：从原始数据到可下注优势

把上述概念落到实战，可以按以下流程操作：

1. 统计样本：记录至少30～50次同类型决策的盈亏结果，避免样本过小。
2. 计算胜率：p = 盈利次数 / 总次数。
3. 计算赔率：b = 平均盈利额 / 平均亏损额。
4. 计算期望值：EV = p×b − (1−p)。若 EV ≤ 0，停止加仓，先优化策略。
5. 估算凯利仓位：f* = (p×b − (1−p)) / b = p − (1−p)/b。
6. 实盘打折：因参数估计误差，常用半凯利或1/4凯利降低波动。

四、误区与复盘：概率认知的常见陷阱

误区一：把胜率当唯一指标。 很多人追求“十次对九次”，却忽略每次盈利很小、一次亏损吞掉全部利润。正确做法是同时记录盈亏比，计算期望值。

误区二：用单次结果否定策略。 独立重复试验下，短期结果充满随机性。连续亏损5次在胜率50%的策略中并不罕见，不能因此判定策略失效。

误区三：忽略参数估计误差。 用历史数据算出的 p 和 b 只是估计值，未来可能变化。凯利公式对参数敏感，因此实战中必须打折使用，并设置最大仓位上限。

误区四：在负期望下研究仓位。 若 EV 为负，任何正仓位长期都会亏损，最优仓位是0。仓位管理不能拯救没有优势的策略。