大多数投资者亏损不是因为选错了方向，而是因为每次下注的比例没有规律。赢的时候仓位太小，亏的时候又恰好满仓——这种操作模式下，即便胜率过半，资金也可能长期停滞甚至被耗尽。
Kelly 公式（Kelly Criterion）提供了一个数学框架：在已知胜率和赔率的前提下，计算出能让长期资金复利增长最大化的最优仓位比例。它不是交易信号，不是选股工具，是仓位管理的数学基础。
起源：1956 年贝尔实验室的信息论论文
John L. Kelly Jr. 是贝尔实验室的一名物理学家。1956 年，他在《贝尔系统技术期刊》（Bell System Technical Journal）上发表论文《A New Interpretation of Information Rate》，原本是为了解决信息传输中的噪声问题——如何在嘈杂的通信信道上最大化数据传输速率。
Kelly 发现，这个问题在数学结构上和赌博中的最优下注是等价的：都是在概率不确定的条件下，如何分配有限资源以最大化长期复利增长率。这篇论文随后被数学家克劳德·香农（Claude Shannon）和爱德华·索普（Edward Thorp）引入金融领域。
索普在其 1962 年出版的《打败庄家》（Beat the Dealer）中将 Kelly 公式应用于二十一点，后来又在其对冲基金 Princeton-Newport Partners 中将其系统化地用于股票和期权市场。
核心公式：f* = p/a - q/b
Kelly 公式有多种等价表达形式，最常见的离散版本是：
f* = p/a - q/b
其中：
- f*：最优下注比例（占总资金的百分比）
- p：单次博弈赢的概率
- q：单次博弈输的概率，q = 1 - p
- a：输一次损失的比例（如输掉下注额的全部，则 a = 1）
- b：赢一次获得的比例（如下注 1 赢回 1.5，则 b = 1.5）
更常见的简化形式（当 a = 1，即输光下注额时）：
f* = p - q/b = p - (1-p)/b
直觉上，公式做了两件事：第一，下注比例随胜率上升而增加；第二，赔率越高（b 越大），即使胜率偏低也值得适当下注。Kelly 公式找到的是这两个因素的最优平衡点，能让资金在无限重复博弈下的对数期望增长率最大。
应用前提：你必须知道真实胜率
Kelly 公式有一个严苛的前提：输入必须是真实的胜率和赔率，而不是主观感觉。
如果 p 被高估，f* 会显著偏大，导致过度下注，资金曲线剧烈震荡；如果 p 被低估，f* 偏小，长期收益低于理论最优。Kelly 对输入误差非常敏感——胜率估计偏差 5%，仓位建议可能偏差 20% 以上。
因此，Kelly 公式的可靠使用场景有两类：一是已知精确概率的赌博（如数牌确定的二十一点胜率）；二是拥有足够历史样本的量化策略（回测胜率基于数千次交易）。对于主观判断型投资，Kelly 公式是参考框架，而非精确计算工具。
案例一：赌注游戏的数值示例
设定一个简单场景：掷一枚不均匀的硬币，赢的概率 p = 0.6，输的概率 q = 0.4。每次下注 1 元，赢得 1 元（即赔率 b = 1），输掉 1 元（a = 1）。初始资金 100 元，重复掷 200 次，最优仓位是多少？
代入公式：
f* = p - q/b = 0.6 - 0.4/1 = 0.2
结论：每次下注总资金的 20%。
为什么不是更多？直觉上胜率 60% 看起来有优势，为什么不下注 50% 甚至全仓？
原因在于资金是乘法过程。假设连续两次，一赢一输：
- 全仓（f = 100%）：第一次赢，资金 → 200；第二次输，资金 → 0。归零。
- 50% 仓位：第一次赢，资金 → 150；第二次输，资金 → 75。亏损 25%。
- 20% 仓位（Kelly）：第一次赢，资金 → 120；第二次输，资金 → 96。亏损仅 4%。
200 次博弈模拟中，Kelly 仓位的期望最终资金约是全仓策略的数百倍——即使全仓策略单次期望收益更高，长期的破产风险使其实际复利增长率为负。
案例二：股票仓位的应用
将 Kelly 公式应用于股票，需要先定义清楚"一次博弈"的边界。
假设某量化策略在 3 年回测中完成 500 笔交易，统计结果如下：
- 胜率 p = 0.55（550 笔中 302 笔盈利）
- 平均盈利幅度：+12%（b = 0.12）
- 平均亏损幅度：-8%（a = 0.08）
代入公式：
f* = p/a - q/b = 0.55/0.08 - 0.45/0.12 = 6.875 - 3.75 = 3.125
结果超过 100%，意味着数学上建议使用 312.5% 的仓位（即 3 倍杠杆）。
这个结果在实盘中不能直接使用。原因有三：
- 回测胜率的过拟合风险：历史 500 笔的胜率 0.55 存在统计误差，实盘中胜率下滑至 0.50 时，Kelly 建议的仓位会大幅缩水甚至变为 0。
- 非连续性博弈：股票市场不是独立重复博弈，行情存在相关性，连续亏损的概率远高于二项分布预测。
- 杠杆的非线性风险：3 倍杠杆下，33% 的市值下跌就会触发强平，破坏 Kelly 公式赖以成立的"持续博弈"前提。
实战处理方式：将 f* 设定为理论值的上限，取半 Kelly（f*/2 = 1.56，即 156%）甚至 1/4 Kelly（约 78%）作为实际仓位上限。多数职业交易机构的实际仓位在半 Kelly 附近，而非全 Kelly。
半 Kelly 与分之一 Kelly：实际应用
全 Kelly 在理论上能最大化长期复利增长率，但代价是极高的波动性。数学推导显示，全 Kelly 策略下资金曲线的最大回撤期望值接近 50%——即在足够长的时间内，几乎必然经历资金腰斩。
半 Kelly（f*/2）是学界和业界最广泛接受的折中方案：
- 长期复利增长率约为全 Kelly 的 75%
- 波动率降低约 50%
- 最大回撤期望值降至约 25%
1/4 Kelly 进一步保守，适合胜率估计置信度较低的场景：增长率约为全 Kelly 的 56%，但资金曲线平稳性显著提升。
AQR Capital Management 的研究指出，当胜率估计存在 10% 以上的不确定性时，半 Kelly 甚至更低的仓位会在实际表现中优于全 Kelly，因为它能规避因高估胜率导致的过度下注损失。
对比其他仓位管理方法
Kelly 公式并不是唯一的仓位管理框架，理解它的相对优势和局限需要横向对比。
| 方法 | 核心逻辑 | 优点 | 局限 |
|---|---|---|---|
| 固定仓位（Fixed Fraction） | 每次下注固定比例，如 2% | 简单、可控 | 不随胜率/赔率调整，次优 |
| 固定金额 | 每次下注固定金额 | 最简单 | 不随资金规模调整，逐渐偏离最优 |
| Kelly 公式 | 基于胜率/赔率动态计算 | 理论最优，长期增长率最大 | 对输入敏感，需要准确的胜率估计 |
| 等权仓位 | 所有持仓平等分配资金 | 分散风险 | 忽略各标的胜率差异 |
| 波动率调整（Vol Targeting） | 基于标的波动率调整仓位 | 控制组合风险 | 不直接使用胜率信息 |
Kelly 公式的核心价值在于：它是少数同时使用胜率和赔率两个维度的框架，理论上能在给定信息下找到最优解。它的缺点是对输入质量要求极高——在胜率不确定的主观投资中，固定仓位结合止损往往是更稳健的替代方案。
局限性：你必须了解的三个约束
在实盘中使用 Kelly 公式，以下三个局限性不能忽视。
1. 胜率估计偏差的放大效应
Kelly 公式对胜率的敏感度是非线性的。以案例二为例，如果真实胜率是 0.52 而非 0.55，重新计算 f* 将从 3.12 骤降至接近 0.5，下调幅度超过 80%。主观判断型投资者几乎不可能精确估计胜率，这使得全 Kelly 的理论最优在实践中变为高风险操作。
2. 连续市场的时间相关性
Kelly 公式的数学基础是独立重复博弈。股票市场的价格变动高度相关：趋势市中连续盈利，震荡市中连续亏损，这种自相关性使得二项分布的假设失效。实际回撤会系统性大于 Kelly 公式的理论预测。
3. 参数估计的历史依赖性
所有基于历史回测的胜率和赔率估计都面临非平稳性问题：市场环境变化后，历史参数不再适用。量化策略中常见的"策略失效"本质上是胜率从 p>0.5 滑落至 p≈0.5，此时 Kelly 建议仓位接近 0，而固执沿用历史参数会导致系统性过度下注。
本文中的公式推导参考 John L. Kelly Jr. 1956 年原论文及 Edward Thorp 《The Mathematics of Gambling》（1984 年），案例数值为教学目的的模拟数据，非实盘建议。半 Kelly 与 1/4 Kelly 的绩效对比数据来源于 AQR Capital Management 的研究报告《Leverage Aversion and Risk Parity》。
FAQ
Kelly 公式的计算结果超过 100% 怎么办？
Kelly 公式给出的 f* 超过 1（即 100%）时，数学上意味着可以使用杠杆。但在实际投资中，这通常是胜率或赔率被高估的信号。建议将输出值视为仓位上限，取半 Kelly（f*/2）甚至更低比例执行，同时重新审视输入参数的准确性。
Kelly 公式适合普通散户使用吗？
理论上适用，实际上有前提。普通散户的核心障碍是缺乏足够的交易样本来估计真实胜率（p）和赔率（b/a）。建议先用固定仓位策略积累 200 笔以上的交易记录，再考虑引入 Kelly 框架计算参考仓位。
半 Kelly 和 1/4 Kelly 有什么区别，选哪个？
半 Kelly 的长期复利增长率约为全 Kelly 的 75%，但回撤幅度大幅降低。1/4 Kelly 进一步牺牲约 40% 的复利增长率，换取更平稳的资金曲线。对于胜率估计不确定性较高的策略，1/4 Kelly 往往是更稳健的选择。多数专业交易机构采用半 Kelly 作为基准，再根据策略稳定性上下调整。
Kelly 公式和止损如何配合使用？
Kelly 公式计算的是起始仓位比例，不能自动处理单笔交易内的亏损管理。实盘中需要同时设定止损线（a 的上限），并在止损触发后按剩余资金重新计算下一笔的 Kelly 仓位。止损与 Kelly 不是替代关系，而是互补关系：止损控制单笔损失，Kelly 控制跨笔资金分配。
连续亏损时 Kelly 公式会建议什么？
Kelly 公式要求在每笔交易后用更新后的资金规模重新计算下注额。连续亏损后资金缩水，Kelly 建议的绝对下注金额会随之减少（但占比理论上不变）。这种"越亏越少下"的特性是 Kelly 公式的内置保护机制，使得破产概率在理论上趋近于零——前提是胜率估计是准确的。
By m8 康哥. AI 驱动的全球股票资讯与量化分析平台
常见问题
这篇文章属于 m8 的哪个研究入口？
这篇文章归入 投资框架 主线，建议先从 投资科普栏目 进入，再结合研究目录里的相邻专题一起看。
后续最需要跟踪哪些变量？
后续重点跟踪：定义是否清楚、指标适用边界、公司案例是否可验证，以及这个框架在哪些市场环境下会失效。
这篇内容可以直接当作投资建议吗？
不可以。m8 的文章用于整理公开信息、研究框架和风险变量，不构成个股买卖建议，也不替代个人的仓位管理和风险评估。
m8 会如何更新这类主题？
如果后续出现财报、政策、订单、资金流或估值假设的关键变化，m8 会在对应栏目和专题页继续补充更新，并通过内链把新旧文章串起来。
