凯利公式与仓位管理：用数学优化你的每次下注

一个困扰交易者的千年难题#

假设你有一个胜率60%的交易策略，每次盈利赚5%，亏损亏3%。每次应该下注多少？

• 全仓？一次失误就爆仓
• 固定10%？可能浪费高胜率优势
• 马丁格尔（加倍下注）？迟早死于黑天鹅

约翰·拉里·凯利（John Larry Kelly Jr.）在1956年给出了数学答案。

凯利公式原理#

基本形式#

f* = (p × b - q) / b

其中：

• f* = 最优仓位比例
• p = 胜率（盈利概率）
• q = 败率（1 - p）
• b = 盈亏比（平均盈利 / 平均亏损）

实战案例#

假设你的策略：

• 胜率 p = 0.55
• 平均盈利 8%，平均亏损 4% → 盈亏比 b = 2

f* = (0.55 × 2 - 0.45) / 2 = 0.325 = 32.5%

这意味着： 每次应该用32.5%的账户资金下注。

凯利公式的残酷真相#

问题1：估计误差放大#

凯利公式对p和b的估计误差极其敏感。如果你的真实胜率是52%而非55%，最优仓位会从32.5%骤降至22.5%。

解决方案： 使用半凯利（Half-Kelly），即 f* / 2，降低波动。

问题2：不考虑破产风险#

纯凯利公式不限制最大回撤。连续亏损10次（概率0.55^10 ≈ 0.25%）会导致账户缩水98%。

改进方案： 引入最大回撤约束

def kelly_with_drawdown_constraint(p, b, max_drawdown=0.2):
    f_full = (p * b - (1-p)) / b
    f_safe = f_full * 0.5  # 半凯利
    
    # 模拟10000次，检查回撤
    equity_curve = simulate_trades(f_safe, p, b, n=10000)
    max_dd = calculate_max_drawdown(equity_curve)
    
    if max_dd > max_drawdown:
        return f_safe * 0.7  # 进一步降低
    return f_safe

量化实盘中的仓位管理框架#

多策略组合仓位分配#

当你同时运行5个策略，如何分配资金？

风险平价思路：

# 计算每个策略的波动率
volatility = strategy_returns.rolling(60).std() * np.sqrt(252)

# 仓位与波动率成反比
position_size = (1 / volatility) / (1 / volatility).sum()

动态仓位调整#

市场波动率变化时，仓位应该动态调整：

实盘案例：CTA趋势跟踪策略#

某商品期货CTA策略（2019-2025）：

• 原始凯利：平均仓位 38%
• 半凯利 + 波动率调整：平均仓位 22%
• 结果对比：

结论： 降低仓位但提升风险调整后收益，这才是可持续的交易。

仓位管理的铁律#

1. 永远不要满仓单一策略（即使凯利公式说可以）
2. 分散到3-5个低相关策略
3. 定期重新估计p和b（策略衰减会发生）
4. 设置硬性止损（凯利公式不考虑尾部风险）

结语#

凯利公式是数学送给交易者的礼物，但不是圣杯。真正的仓位管理是艺术与科学的结合——用数学给出基准，用经验做调整。

“Position sizing is the only thing that matters.” — Jack Schwager

延伸阅读：

• Kelly, J. L. (1956). A New Interpretation of Information Rate
• Vince, R. (1990). Portfolio Management Formulas
• 实盘代码：https://github.com/yourusername/kelly-position-sizing ↗