3. 凯利公式基础：凯利公式在行业配置中的应用原理与局限性
说起凯利公式，我最早接触它是在做期货交易的时候。那时候团队里有个老哥，天天念叨「凯利、凯利」，我当时心想：这不就是个赌徒公式吗？后来真金白银亏了几次，才明白——嗯，这玩意儿在行业配置里，其实是个仓位管理的利器。
说白了，凯利公式解决的是一个问题：你该押多大仓位。在行业配置里，就是每个行业该分配多少资金。别小看这个问题，我见过太多人，明明选对了行业，结果仓位太轻，赚了个寂寞；或者仓位太重，一个回调直接爆仓。
3.1 凯利公式的数学本质
先看公式本身。标准凯利公式长这样：
f* = (bp - q) / b其中：
- f* — 最优投资比例（占本金百分比）
- b — 赔率（盈亏比，即盈利/亏损的倍数）
- p — 胜率（盈利概率）
- q — 败率（1 - p）
举个例子。假设某个行业策略，胜率60%，盈亏比2:1。代入公式：
f* = (2 * 0.6 - 0.4) / 2 = (1.2 - 0.4) / 2 = 0.4也就是说，你应该拿40%的资金去配置这个行业。
核心思想：凯利公式追求的是长期复利增长最大化。它不是在赌单次胜负，而是在管理一个「无限次重复博弈」的资金曲线。
为什么会这样？因为凯利公式本质上是一个对数效用函数的优化结果。你想想看，亏50%需要赚100%才能回本，这种不对称性决定了——控制回撤比追求收益更重要。凯利公式恰好帮你找到了那个「平衡点」。
3.2 在行业配置中的应用
行业配置和赌博有个本质区别：赌博的胜率和赔率是固定的，但行业配置的参数是动态变化的。我个人习惯把凯利公式用在以下场景：
3.2.1 基于历史回测的参数估计
拿过去3-5年的行业轮动数据，计算每个行业的「胜率」和「盈亏比」。注意，这里的胜率不是简单的涨跌次数，而是超额收益为正的概率。
# 伪代码示例：计算行业配置的凯利比例
def kelly_ratio(win_rate, win_loss_ratio):
"""
win_rate: 胜率（0-1）
win_loss_ratio: 盈亏比（平均盈利/平均亏损）
"""
b = win_loss_ratio
p = win_rate
q = 1 - p
f = (b * p - q) / b
return max(0, min(f, 1)) # 限制在0-1之间
# 假设某行业历史数据
win_rate = 0.55
win_loss_ratio = 1.8
ratio = kelly_ratio(win_rate, win_loss_ratio)
print(f"建议配置比例: {ratio:.2%}")避坑指南：我曾经直接用历史胜率代入凯利公式，结果仓位算出来超过80%。后来发现，那是因为样本量太小，胜率被高估了。建议至少用200次以上的交易信号来估计参数。
3.2.2 多行业配置的分数凯利
现实中我们不会只配置一个行业。当有多个行业时，我推荐使用分数凯利（Fractional Kelly）。就是把凯利算出来的比例打个折扣，比如用1/2凯利或1/3凯利。
为什么？因为凯利公式假设你的参数是精确的。但行业配置的参数哪有那么准？你想想看，宏观经济一变，行业相关性就变了。保守一点，活得久一点。
| 凯利类型 | 配置比例 | 适用场景 |
|---|---|---|
| 全凯利 | f* | 参数高度确定，低相关行业 |
| 1/2凯利 | f* / 2 | 中等不确定性，行业间有相关性 |
| 1/3凯利 | f* / 3 | 高不确定性，新手或震荡市 |
3.3 凯利公式的局限性
讲完应用，我得泼点冷水。凯利公式不是万能的，我在项目中踩过不少坑。
3.3.1 参数估计误差
这是最大的问题。行业配置的胜率和盈亏比，都是基于历史数据估计的。但历史会重演吗？不一定。我记得2020年疫情刚爆发时，所有历史参数全部失效。如果你严格按照凯利公式配置，那波回撤会非常惨。
警告：凯利公式对参数误差极其敏感。胜率差5%，算出来的仓位可能差20%。所以，永远不要用全凯利，至少留一半的缓冲。
3.3.2 忽略行业相关性
标准凯利公式假设各行业独立。但现实呢？银行和地产高度相关，消费和医药也有联动。当多个行业同时下跌时，你的「分散化」其实是个假象。
我自己的做法是：先用凯利算每个行业的独立仓位，然后根据行业间的相关系数矩阵，做一个风险预算调整。说白了，就是相关性高的行业，总仓位要压一压。
3.3.3 无法处理黑天鹅
凯利公式假设收益分布是正态的，或者至少是平稳的。但行业配置里，黑天鹅事件（比如政策突变、行业监管）经常发生。这些极端事件会让凯利公式的假设彻底崩塌。
怎么办？我的经验是：凯利公式只决定「常规仓位」。遇到重大不确定性时，手动减仓到1/4凯利甚至更低。别跟市场较劲。
3.4 知识体系总览
下面这张图，是我自己总结的凯利公式在行业配置中的应用框架。你可以把它当作一个检查清单：
3.5 实战中的避坑指南
最后，分享几个我自己的血泪教训：
- 不要迷信凯利：它只是一个工具，不是圣杯。我见过有人把凯利公式当成了「稳赚公式」，结果亏得底朝天。
- 动态调整参数：行业配置的参数不是一成不变的。我每季度会重新计算一次胜率和盈亏比，根据市场环境做微调。
- 结合其他风控指标：凯利公式只考虑收益和风险的比例，不考虑最大回撤、夏普比率等。我建议把凯利算出来的仓位，再结合VaR（风险价值）做二次校验。
一个小技巧：如果你拿不准参数，可以用「半凯利」起步。先跑3个月，看看资金曲线是否平滑。如果回撤在可接受范围内，再逐步加仓。慢就是快。
好了，凯利公式的基础就讲到这里。记住一句话：凯利公式告诉你「最多能押多少」，但风控告诉你「应该押多少」。两者结合，才是行业配置的稳健之道。