资金管理与风险平价策略实战 - 第3节 🧮 1. 凯利公式的推导 Kelly Criterion

🧮 1. 凯利公式的推导 Kelly Criterion

📌 核心思想

最大化长期复合增长率 G，通过下注比例 f 平衡收益与风险。

假设胜率 p，赔率 b（净赔率，损失为1），则单次期望对数增长：

E[log(1+f·b·win - f·loss)] = p·log(1+bf) + (1-p)·log(1-f)

对 f 求导并令导数为零，得到最优比例：

f* = (bp - (1-p)) / b = (p(b+1)-1)/b

当 b=1（等额赔率）时简化为 f* = 2p - 1。

📈 推导路径

定义增长函数：G(f) = p·ln(1+bf) + (1-p)·ln(1-f)
一阶条件：∂G/∂f = p·b/(1+bf) - (1-p)/(1-f) = 0
求解 f：p·b·(1-f) = (1-p)·(1+bf)
整理得：f = (p·b - (1-p)) / b = p - (1-p)/b
边界条件：f 应介于 0 ~ 1 之间，若为负则不下注。

📌 经典案例胜率60%，赔率1:1 → f* = 0.2 (20%)

⚖️ 2. 最优下注比例 & 半凯利公式

🧪 标准凯利计算器

参数	数值	最优 f*
p=55%, b=2	净赔率 2:1	f* = 0.325
p=60%, b=1	盈亏等额	f* = 0.20
p=45%, b=3	高赔率	f* = 0.183
p=50%, b=0.8	赔率不足	f* = 0.125

⚠️ 若 f* ≤ 0，表示没有正期望，不应下注。

🌓 半凯利 (Half Kelly)

f_half = 0.5 × f*

优点：降低波动，减少回撤，更易坚持
适用：主观交易、高不确定性、心理承受力低
长期：复合增长率约为标准凯利的75%，但夏普比率更高

🧑‍🏫 实战中，多数专业交易员采用 半凯利或1/4凯利

✅ 3. 优缺点 & 实战应用

⭐ 优点

最大化长期几何增长，避免破产风险（f* 永远不会超过1）
数学最优：在独立重复博弈中，使资金增长最快
风险控制：自动考虑损失比例，不会押注全部
可扩展：适用于股票、期货、加密货币等头寸管理

⚠️ 缺点

参数敏感：p 和 b 估计不准会导致严重偏差
过度激进：标准凯利可能导致较大回撤（如80%）
连续下注假设：实际市场存在相关性、滑点、手续费
心理考验：大幅波动时难以坚持执行

🚀 实战应用框架

📉

头寸规模

根据信号期望计算 f*，再乘以账户权益

🔄

动态调整

每笔交易后重新评估 p 和 b，使用半凯利平滑

🧩

组合凯利

多资产风险平价，用凯利分配各品种权重

💻 4. Python 凯利计算器实战代码

def kelly_criterion(p, b, half=False):
    """
    p : 胜率 (0~1)
    b : 净赔率 (例如 2 表示盈利为2倍本金)
    half : 是否使用半凯利
    返回最优下注比例 f*
    """
    if p <= 0 or b <= 0:
        return 0
    f_star = (p * (b + 1) - 1) / b
    if f_star < 0:
        f_star = 0.0
    if half:
        f_star *= 0.5
    return round(f_star, 4)

# 示例
print(kelly_criterion(0.6, 1))       # 0.2
print(kelly_criterion(0.55, 2, half=True))  # 0.1625
print(kelly_criterion(0.5, 0.8))     # 0.125

📌 输出：0.2, 0.1625, 0.125

📐 凯利公式 · 实战精解