凯利判据

什么是凯利判据？

凯利判据（Kelly Criterion）是一种用于决定「在有正期望优势的机会中，应该投入多少本金」的数学公式。它的目标不是让单次下注收益最大，而是在长期重复决策中最大化资本的几何增长率，也就是最大化期望对数收益。

用一句话概括：

核心思想

当你有概率优势时，不要只问「该不该下注」，还要问「下注多大才不会因为波动而毁掉长期增长」。凯利判据给出的就是理论上的最优资金比例。

凯利判据由约翰·拉里·凯利（John Larry Kelly Jr.）在 1956 年提出，背景来自贝尔实验室和香农信息论。它最初与通信信道中的信息传输效率有关，后来被应用到赌博、体育博彩、投资组合管理、仓位控制和风险管理中。

二元结果公式

最常见的凯利公式用于只有两种结果的场景：赢或输。

$$f^{\ast }=\frac{bp-q}{b}$$

也可以写成：

$$f^{\ast }=p-\frac{q}{b}$$

其中：

• $f^{\ast }$：最优投注比例，即每次投入本金的比例。
• $b$：净赔率。投入 1 元，赢了净赚 $b$ 元，返还本金不计入 $b$。
• $p$：获胜概率。
• $q$：失败概率，$q=1-p$。

判断方式：

• 当 $bp-q>0$ 时，说明有正期望优势，可以下注。
• 当 $bp-q=0$ 时，长期没有优势，理论上不下注。
• 当 $bp-q<0$ 时，长期处于劣势，应避免下注。

净赔率和十进制赔率

体育博彩中常见的十进制赔率包含本金返还。例如十进制赔率为 3.00，投入 1 元赢了返还 3 元，其中净赚 2 元，所以凯利公式里的 $b=3.00-1=2$。

为什么是这个公式？

假设每次投入本金比例为 $f$：

• 赢时，资金变为 $1+bf$。
• 输时，资金变为 $1-f$。

长期重复下注时，资本增长更接近乘法过程，而不是简单加法过程。因此要最大化期望对数增长：

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

对 $f$ 求导：

$$g^{\prime }(f)=\frac{pb}{1+bf}-\frac{q}{1-f}$$

令 $g^{\prime }(f)=0$：

$$\frac{pb}{1+bf}=\frac{q}{1-f}$$

整理可得：

$$f^{\ast }=\frac{bp-q}{b}$$

这个推导说明，凯利判据本质上是在平衡两件事：

• 仓位太小：虽然安全，但浪费了优势。
• 仓位太大：虽然单次收益高，但亏损时会严重拖累长期复利。

例子：赔率 2:1，胜率 50%

假设一个游戏：

• 赢的概率 $p=0.5$
• 输的概率 $q=0.5$
• 净赔率 $b=2$，也就是投入 1 元，赢了净赚 2 元

代入公式：

$$f^{\ast }=\frac{2\times 0.5-0.5}{2}=\frac{0.5}{2}=0.25$$

所以最优投注比例是本金的 25%。

这不是说每次下注 25% 一定安全，而是说在「胜率和赔率都准确、游戏可长期重复、每次独立」的理想条件下，25% 能最大化长期资本增长率。

和期望收益的区别

普通期望收益只看单次平均收益：

$$E=bp-q$$

但凯利判据关心的是长期复利增长，所以使用对数收益：

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

两者差别很重要。一个机会可能有正期望，但如果仓位过大，仍然可能因为连续亏损导致本金大幅回撤，甚至无法继续参与后续机会。

正期望不等于可以重仓

凯利判据假设你能承受长期波动，并且估计的胜率和赔率接近真实值。现实中胜率估计通常有误差，因此满凯利往往过于激进。

分数凯利

实际应用中，很多人不会使用完整凯利仓位，而会使用分数凯利（Fractional Kelly）：

$$f=c{f}^{\ast }$$

其中 $0<c<1$。常见选择包括：

• 半凯利：$c=0.5$
• 四分之一凯利：$c=0.25$

分数凯利的作用是降低回撤和估计错误带来的风险。它会牺牲一部分理论增长率，但通常能显著改善持仓体验。

实务经验

如果胜率、赔率或收益分布是估计出来的，而不是精确已知的，半凯利或更低仓位通常比满凯利更稳健。

投资中的连续近似

在投资组合中，常见的连续收益近似形式是：

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

其中：

• $\mu$：资产的预期收益率。
• $r$：无风险利率。
• ${\sigma }^2$：收益率方差。

如果无风险利率忽略不计，也常写为：

$$f^{\ast }=\frac{\mu }{{\sigma }^2}$$

这个公式可以理解为：预期超额收益越高，仓位越大；波动越大，仓位越小。

投资版本的局限

这个近似依赖对收益率、波动率和分布形态的假设。金融市场中收益并不总是独立同分布，也可能存在尾部风险、流动性风险和模型失效。

多资产凯利

多个资产或多个机会同时存在时，凯利思想可以推广为向量形式：

$${\mathbf{f}}^{\ast }={\Sigma }^{-1}(\mathbf{\mu }-\mathbf{r})$$

其中：

• ${\mathbf{f}}^{\ast }$：各资产的最优仓位向量。
• $\Sigma$：资产收益率协方差矩阵。
• $\mathbf{\mu }$：资产预期收益率向量。
• $\mathbf{r}$：无风险收益率或基准收益率向量。

直观理解：

• 预期收益高的资产更值得配置。
• 波动率高的资产会降低配置比例。
• 与其他资产高度相关的资产，边际配置价值会下降。

使用前提

凯利判据适合以下场景：

• 胜率或收益分布可以被合理估计。
• 每次机会可以重复出现。
• 单次下注或投资不会改变赔率和市场条件。
• 本金可以按比例投入，且亏损不会引发额外强制平仓。
• 决策者以长期资本增长为主要目标，而不是短期稳定收益。

不适合以下场景：

• 胜率无法估计，或者估计误差很大。
• 机会不可重复，只是一次性决策。
• 存在爆仓、借贷追缴、流动性枯竭等非线性风险。
• 结果分布有严重尾部风险。
• 决策者无法承受凯利仓位带来的回撤。

常见误区

误区一：凯利仓位就是安全仓位

凯利仓位并不保守。它追求长期增长最大化，过程中可能出现很大的回撤。对很多实际投资者来说，满凯利的心理压力和资金波动都过高。

误区二：只要有正期望就应该下注

如果优势很小、估计误差很大、交易成本很高，理论上的正期望可能在现实中消失。此时不下注可能更合理。

误区三：历史胜率可以直接当作真实胜率

历史胜率只是估计值，不代表未来真实概率。样本量不足、幸存者偏差、环境变化都会让凯利计算失真。

误区四：凯利判据能预测结果

凯利判据不预测输赢。它只是在已知或假设概率优势时，计算应该投入多少资金。

计算步骤

1. 明确赔率或收益结构。
2. 估计获胜概率 $p$，并计算 $q=1-p$。
3. 将赔率换算成净赔率 $b$。
4. 代入公式 $f^{\ast }=\frac{bp-q}{b}$。
5. 如果 $f^{\ast }\le 0$，不下注。
6. 如果 $f^{\ast }>0$，根据风险承受能力选择满凯利、半凯利或更低比例。
7. 检查交易成本、流动性、最大亏损和估计误差。

快速示例表

胜率 $p$	净赔率 $b$	单次期望 $bp-q$	满凯利比例 $f^{\ast }$
50%	1	0	0%
55%	1	0.10	10%
60%	1	0.20	20%
50%	2	0.50	25%
40%	3	0.60	20%
30%	2	-0.10	不下注

与其他概念的关系

• 概率论：凯利判据依赖概率估计和期望收益。
• 复利：凯利判据最大化的是长期复利增长。
• 风险管理：凯利仓位可作为风险预算的上限参考。
• 投资组合理论：多资产凯利与均值-方差优化有相似结构。

小结

凯利判据解决的是「有优势时应该投入多少」的问题。它的理论优势在于最大化长期资本的几何增长率，但现实难点在于概率估计、尾部风险和心理承受能力。

实用结论

凯利判据更适合作为仓位上限和风险校验工具，而不是机械执行的重仓公式。现实投资或下注中，分数凯利通常比满凯利更实用。

参考文献

• Wikipedia: Kelly Criterion
• Investopedia: Kelly Criterion
• Kelly, J. L. Jr. A New Interpretation of Information Rate