3. 从赌局到投资
凯利公式最初诞生于信息论与赌博场景，但它的价值远不止于赌桌。理解它的数学推导，是把它正确迁移到投资世界的前提。本节我们将从最朴素的赌局出发，推导出凯利公式，并厘清连续下注模型与离散下注模型这两条容易混淆的路径。
一、核心原理：从期望对数增长到最优比例
凯利准则的出发点不是“最大化单次期望收益”，而是最大化长期资金的期望对数增长率。这个选择背后有深刻的数学理由：对数效用意味着对财富的相对变化敏感，而非绝对金额，同时它天然抑制破产风险——因为一旦资金归零，对数收益趋于负无穷。
考虑一个最简单的二元赌局：每次下注赢的概率为 p，输的概率为 q = 1 - p；赢时资金乘以 (1 + b·f)，输时乘以 (1 - f)，其中 f 是下注比例，b 是赔率（净收益倍数）。经过 N 次下注后，资金变为：
W_N = W_0 · (1 + b·f)^(N·p) · (1 - f)^(N·q)取对数并除以 N，得到每次下注的平均对数增长率：
g(f) = p · ln(1 + b·f) + q · ln(1 - f)对 f 求导并令导数为零，即可解出最优下注比例：
g'(f) = p·b/(1 + b·f) - q/(1 - f) = 0
=> f* = (p·b - q) / b = p - q/b这就是最经典的凯利公式形式。它的直觉非常清晰：下注比例等于“胜率减去败率与赔率之比”。当 p·b - q ≤ 0 时，f* ≤ 0，意味着这个赌局没有正期望，理性选择是不参与。
二、方法流程：从赌局参数到投资仓位的映射
把赌局语言翻译成投资语言，是应用凯利公式的关键一步。下表给出了常见参数的对应关系：
| 赌局概念 | 投资含义 | 符号 |
|---|---|---|
| 胜率 p | 策略盈利概率（胜率） | p |
| 败率 q | 策略亏损概率 | q = 1 - p |
| 赔率 b | 盈亏比（平均盈利/平均亏损） | b |
| 下注比例 f | 单次投入资金占总资金比例 | f |
| 期望对数增长 g | 长期复利增长率 | g(f) |
实际操作流程可以归纳为四步：
- 估计参数：通过历史回测或交易统计，得到胜率
p与盈亏比b。 - 计算凯利比例：代入
f* = p - q/b，得到理论最优仓位。 - 分数凯利调整：由于参数估计存在误差，实务中常取
0.25 ~ 0.5倍凯利，降低回撤与模型风险。 - 动态再平衡：随着资金曲线变化和参数更新，定期重新计算并调整仓位。
三、连续下注模型与离散下注模型的区别
这是本节最容易被忽略、却最影响实战效果的部分。凯利公式在不同下注频率假设下，会呈现两种形态。
离散下注模型假设每次下注是独立、分离的事件：下注、结算、再下注。资金曲线是跳跃式的，每次盈亏按固定比例作用于当前资金。经典凯利公式 f* = p - q/b 正是离散模型的结果。它适用于：单笔交易、独立事件、固定赔率场景。
连续下注模型则假设资金在时间上连续变化，收益率服从某种连续分布（如几何布朗运动）。此时最优仓位由“超额收益与波动率之比”决定，即著名的连续凯利形式：
f* = (μ - r) / σ²其中 μ 是资产期望收益率，r 是无风险利率，σ² 是收益率方差。这个形式在量化投资、杠杆配置中极为常见。它与离散形式的本质区别在于：连续模型用方差刻画风险，离散模型用赔率和胜率刻画风险。
两者的联系在于：当离散下注的频率趋于无穷、单次盈亏幅度趋于无穷小时，离散模型会收敛到连续模型。但在实战中，交易频率、持仓周期、结算方式决定了你该用哪一种。日内高频交易更接近连续模型，而事件驱动、单笔交易更接近离散模型。
四、案例与复盘：参数误判如何毁掉仓位
假设某策略统计显示胜率 p = 0.6，盈亏比 b = 1.5。代入离散凯利公式：
f* = 0.6 - 0.4 / 1.5 = 0.6 - 0.2667 = 0.3333理论最优仓位约为 33.3%。但如果实际胜率只有 0.5，则 f* = 0.5 - 0.5/1.5 = 0.1667，最优仓位骤降到 16.7%。若你仍按 33% 下注，长期增长率会显著低于最优值，甚至在某些参数下转为负增长。
常见误区还包括：把凯利公式用于非独立、非重复的单一事件；忽略交易成本与滑点；在参数不稳定时仍坚持全凯利。复盘时应重点检查：参数估计是否来自足够长的样本？盈亏比是否被少数极端盈利拉高？策略是否在不同市场环境下保持稳定？
从赌局到投资，凯利公式提供的是一个思考框架，而非精确的仓位数字。理解离散与连续两种模型的适用边界，才能让它在真实市场中发挥长期复利的威力。