4、多事件凯利公式：从单场到多场的进阶之路
聊完了单事件凯利，咱们得面对现实了——你不可能只押注一场比赛。真实世界里，我们同时看好好几个机会。这时候，单事件凯利就不够用了。
我个人习惯把多事件凯利分成两类：独立事件和相关事件。这两者的处理方式，天差地别。
4.1 多事件独立情况下的凯利公式
先说简单的。如果两场比赛完全独立——比如英超和NBA同时开打，结果互不影响——那处理起来就轻松多了。
独立事件的核心逻辑是：各算各的，互不干扰。你只需要对每个事件单独计算凯利比例，然后按比例分配资金就行。
举个例子：
- 事件A：胜率60%，赔率2.0 → 凯利比例 f_A = (0.6×2.0 - 1)/(2.0 - 1) = 0.2
- 事件B：胜率40%，赔率3.0 → 凯利比例 f_B = (0.4×3.0 - 1)/(3.0 - 1) = 0.1
那你就拿20%的资金押A，10%押B。剩下的70%留着。
关键点：独立事件下，总投注比例不能超过100%。如果各事件凯利比例加起来超过1，说明你太激进了，得按比例缩放。
嗯，这里要注意：独立假设在实际中很少成立。你想想看，同一时间段内的比赛，多少都会受宏观经济、市场情绪影响。所以独立情况更多是个理论起点。
4.2 多事件相关情况下的凯利公式
这才是真正的硬骨头。相关事件的处理，我当年在项目中踩过不少坑。
为什么相关事件难？因为一个事件的结果会影响另一个事件的概率。比如你同时押注A股和港股，两者高度相关。A股涨了，港股大概率也涨。这时候如果按独立事件算，你会过度投注。
相关情况下的凯利公式，需要求解一个优化问题：
最大化：E[log(1 + Σ f_i * (赔率_i * 结果_i - 1))]
约束：Σ |f_i| ≤ 1（不允许杠杆）
其中结果_i ∈ {0, 1}，且联合分布已知说白了，就是要在考虑所有可能结果组合的情况下，找到让长期增长率最大的投注比例向量。
避坑指南：我曾经在2018年做过一个多市场套利策略，忽略了事件间的相关性。结果两个高胜率机会同时押注，遇到黑天鹅事件，一天亏了15%。从那以后，我再也不敢轻视相关性了。
4.3 协方差矩阵在投注中的应用
协方差矩阵，说白了就是量化「两个事件一起波动的程度」。在投注中，它帮我们做两件事：
- 风险分散：找到负相关的事件组合，降低整体波动
- 仓位控制：正相关的事件要减少总仓位，避免过度暴露
具体怎么用？假设你有n个事件，每个事件有一个预期收益率r_i和方差σ_i²。协方差矩阵Σ记录了事件两两之间的协方差σ_ij。
那么最优投注比例向量f可以通过求解以下问题得到：
最大化：μ^T f - (γ/2) f^T Σ f
其中μ是预期收益率向量，γ是风险厌恶系数这个公式看起来眼熟吗？对，它就是马科维茨均值-方差模型的变体。只不过这里的目标是最大化对数效用函数的近似。
| 协方差符号 | 含义 | 投注策略 |
|---|---|---|
| σ_ij > 0 | 正相关 | 减少总仓位，避免双重打击 |
| σ_ij < 0 | 负相关 | 可以适当增加仓位，对冲风险 |
| σ_ij = 0 | 独立 | 按独立凯利分别计算 |
我的经验：实际中我一般用60天滚动窗口估计协方差矩阵。太短了噪声大，太长了反应慢。60天是个不错的折中。
4.4 多事件凯利的计算示例
光说不练假把式。咱们来个完整的例子。
场景：你同时看好两个事件：
- 事件1：某科技股财报超预期，概率70%，赔率1.8
- 事件2：美联储加息概率下降，概率60%，赔率2.2
这两个事件的相关性？我估计在0.3左右——因为科技股对利率敏感。
第一步：构建收益矩阵
可能结果组合：
(赢,赢)：概率 0.7×0.6 + 0.3×√(0.7×0.3×0.6×0.4) ≈ 0.46
(赢,输)：概率 0.7×0.4 - 0.3×√(...) ≈ 0.24
(输,赢)：概率 0.3×0.6 - 0.3×√(...) ≈ 0.14
(输,输)：概率 0.3×0.4 + 0.3×√(...) ≈ 0.16第二步：求解最优比例
用数值优化（比如梯度下降），得到：
f1 ≈ 0.15（押注事件1的15%资金）
f2 ≈ 0.08（押注事件2的8%资金）对比独立情况下的f1=0.2, f2=0.1，你会发现相关情况下仓位明显降低了。这就是协方差矩阵在起作用。
核心结论：多事件凯利的核心不是算得更准，而是算得更保守。相关性越高，仓位越要保守。我见过太多人因为忽略相关性而爆仓。
最后说一句：多事件凯利在实际中很少能精确求解。我一般用蒙特卡洛模拟来验证优化结果。毕竟，数学公式再漂亮，也得经得起市场检验。