凯利公式详解：f* = (bp - q) / b 的数学推导与交易含义

说到资金管理，凯利公式是个绕不开的话题。我第一次接触它是在做期货回测的时候，当时觉得这公式挺玄乎的——凭什么一个数学式子就能告诉我该押多少仓位？后来自己手推了一遍，才明白它背后的逻辑其实很朴素。

从赌场到交易：凯利公式的起源

凯利公式最早是贝尔实验室的约翰·凯利研究出来的。他当时在琢磨一个通信理论问题，后来发现这玩意儿用在赌博上特别合适。再后来，交易员们发现它也能用来算仓位。

公式长这样：

f* = (bp - q) / b

其中：

• f* —— 最优投资比例（仓位占比）
• b —— 赔率（盈亏比）
• p —— 胜率（盈利概率）
• q —— 败率（亏损概率），q = 1 - p

说白了，这个公式就是在告诉你：给定你的胜率和赔率，每次该押多少本金才能让长期增长最快。

数学推导：一步步拆解

推导过程其实不复杂。我们从一个简单的赌博模型开始。

假设你每次下注本金的一定比例 f。赢了，你的资金变成原来的 (1 + bf) 倍；输了，变成原来的 (1 - f) 倍。连续赌 n 次，其中赢了 w 次，输了 l 次（w + l = n），最终资金是：

F_n = F_0 * (1 + bf)^w * (1 - f)^l

取个对数，方便计算：

ln(F_n / F_0) = w * ln(1 + bf) + l * ln(1 - f)

两边除以 n，得到平均对数增长率：

G(f) = p * ln(1 + bf) + q * ln(1 - f)

这里 p = w/n，q = l/n。我们要找的就是让 G(f) 最大的 f。

对 G(f) 求导，令导数为零：

dG/df = p * b / (1 + bf) - q / (1 - f) = 0

解这个方程：

p * b * (1 - f) = q * (1 + bf)
p * b - p * b * f = q + q * b * f
p * b - q = f * (p * b + q * b)
f = (p * b - q) / (b * (p + q))

因为 p + q = 1，所以：

f* = (bp - q) / b

嗯，推导完了。你看，其实就是个求极值的问题。

交易含义：凯利公式到底在说什么

公式本身是数学，但放到交易里，含义就丰富多了。

1. 胜率和赔率的平衡

凯利公式的核心思想是：胜率再高，赔率太低也别重仓。反过来，赔率再高，胜率太低同样不能押太多。

举个例子：

场景	胜率 p	赔率 b	凯利仓位 f*
高胜率低赔率	80%	0.5	(0.5*0.8 - 0.2) / 0.5 = 40%
低胜率高赔率	30%	4	(4*0.3 - 0.7) / 4 = 12.5%
中等胜率中等赔率	60%	1.5	(1.5*0.6 - 0.4) / 1.5 = 33.3%

你看，第一种情况胜率高达80%，但因为赔率只有0.5（赚只能赚一半），凯利建议只押40%。第二种情况胜率只有30%，但赔率是4倍，凯利建议押12.5%。

2. 什么时候不该下注

如果 f* ≤ 0，说明这笔交易不值得做。从公式看：

f* ≤ 0  =>  bp - q ≤ 0  =>  bp ≤ q  =>  p ≤ q / b

举个例子，如果赔率 b = 1（盈亏比1:1），那么 p ≤ 0.5 时就不该下注。说白了，胜率不到一半的公平游戏，别玩。

实战中的凯利：我踩过的坑

我曾经在回测一个趋势跟踪策略时，直接用凯利公式算出来的仓位跑实盘。结果呢？连续三次亏损后，账户回撤超过30%。后来复盘才发现，问题出在两点：

• 参数估计不准：回测的胜率和赔率是历史数据算的，未来不一定重复。
• 交易不独立：趋势策略的盈亏是序列相关的，凯利公式的独立性假设不成立。

从那以后，我养成了一个习惯：凯利仓位 × 0.25 才是实际仓位。这叫「半凯利」或「四分之一凯利」，虽然增长慢一点，但睡得着觉。

知识体系图：凯利公式的核心逻辑

下面这张图帮你理清凯利公式的来龙去脉：

几个关键点再强调一下

• 凯利公式不是圣杯：它假设你知道准确的 p 和 b，这在交易中几乎不可能。我一般用历史回测的保守估计值。
• 仓位要打折：实盘中，我建议用凯利仓位的 1/4 到 1/2。增长慢点没关系，活得久更重要。
• 别在连续亏损后加仓：凯利公式不包含「赌徒谬误」——它假设每次交易独立。连续亏损后，你的胜率并不会自动回升。

好了，凯利公式的推导和含义就聊到这儿。下一章我们聊聊怎么在实际策略中估算 p 和 b——这两个参数估不准，公式再漂亮也没用。

---