凯利公式在量化投资中的实战应用：从赌博到投资组合的仓位管理 • halo 的技术博客

凯利公式：从信息论到量化投资#

1956年，贝尔实验室的约翰·凯利（John Kelly）发表了《A New Interpretation of Information Rate》论文，原本用于解决电话线路中的噪声问题。没想到，这个公式后来成为量化投资和赌博界最著名的仓位管理工具。

核心思想：在已知期望收益和胜率的情况下，存在一个最优下注比例，使得长期资金的指数增长率最大化。

经典凯利公式#

对于二元结果的赌博游戏（赢或输）：

f^* = \frac{p \cdot b - (1-p)}{b} = \frac{p(b+1) - 1}{b}

其中：

$f^*$ ：最优下注比例（占总资金比例）
$p$ ：胜率（Win Probability）
$b$ ：赔率（净收益/亏损金额，即盈亏比）

示例计算：

抛硬币游戏：胜率 $p=0.5$ ，赔率 $b=1$ （输赢都是1倍）
凯利公式： $f^* = \frac{0.5 \times 1 - 0.5}{1} = 0$
结论：公平游戏中，长期不亏不赚，不应下注
优势游戏：胜率 $p=0.6$ ，赔率 $b=1$
凯利公式： $f^* = \frac{0.6 \times 1 - 0.4}{1} = 0.2$
结论：每次下注20%资金，长期增长率最大化

量化投资中的凯利公式变种#

1. 连续型凯利公式（Continuous Kelly）#

在量化交易中，收益率是连续分布而非二元结果。此时凯利公式为：

f^* = \frac{\mu}{\sigma^2}

其中：

$\mu$ ：期望收益率（均值）
$\sigma^2$ ：收益率方差

import numpy as np
import pandas as pd

def continuous_kelly(returns):
    """
    连续型凯利公式：计算最优仓位比例
    
    Parameters:
    -----------
    returns : pd.Series
        资产收益率序列
        
    Returns:
    --------
    kelly_fraction : float
        最优凯利仓位（可能为负数，表示做空）
    """
    mu = returns.mean() * 252  # 年化收益率
    sigma2 = returns.var() * 252  # 年化方差
    
    if sigma2 == 0:
        return 0
    
    kelly_fraction = mu / sigma2
    
    # 凯利公式无上限，实际中需要截断
    return np.clip(kelly_fraction, -1, 1)

# 示例：计算某股票的凯利仓位
stock_returns = pd.read_csv('stock_returns.csv', index_col=0, parse_dates=True)['return']
kelly_frac = continuous_kelly(stock_returns)
print(f"最优凯利仓位：{kelly_frac:.2%}")

python

问题：连续型凯利公式对收益率估计误差极其敏感，容易导致极端仓位。

2. 多资产凯利公式（Multivariate Kelly）#

当投资组合包含多个资产时，需要扩展到 multivariate 情形：

\mathbf{f}^* = \mathbf{\Sigma}^{-1} \mathbf{\mu}

其中：

$\mathbf{f}^*$ ：各资产的最优仓位向量
$\mathbf{\mu}$ ：各资产的期望收益率向量
$\mathbf{\Sigma}^{-1}$ ：收益率协方差矩阵的逆矩阵

def multivariate_kelly(returns_df):
    """
    多资产凯利公式：计算最优投资组合权重
    
    Parameters:
    -----------
    returns_df : pd.DataFrame, shape (T, N)
        N个资产的收益率序列
        
    Returns:
    --------
    kelly_weights : np.ndarray, shape (N,)
        凯利最优权重（可能未归一化）
    """
    # 年化收益率和协方差
    mu = returns_df.mean() * 252
    Sigma = returns_df.cov() * 252
    
    # 凯利公式：f = Sigma^{-1} * mu
    try:
        inv_Sigma = np.linalg.inv(Sigma.values)
        kelly_weights = inv_Sigma @ mu.values
    except np.linalg.LinAlgError:
        # 协方差矩阵奇异，使用伪逆
        inv_Sigma = np.linalg.pinv(Sigma.values)
        kelly_weights = inv_Sigma @ mu.values
    
    return kelly_weights

# 示例：3资产投资组合
returns_3assets = pd.DataFrame({
    'Stock_A': np.random.normal(0.0005, 0.02, 1000),
    'Stock_B': np.random.normal(0.0003, 0.015, 1000),
    'Stock_C': np.random.normal(0.0008, 0.025, 1000)
})

kelly_w = multivariate_kelly(returns_3assets)
print("凯利最优权重：", kelly_w)
print("归一化权重：", kelly_w / np.sum(np.abs(kelly_w)))

python

问题：协方差矩阵估计误差会被逆矩阵放大，导致权重不稳定。

凯利公式的实战陷阱#

陷阱1：过度杠杆（Over-leverage）#

凯利公式给出的理论最优仓位往往非常激进。例如：

如果 $\mu=0.1$ , $\sigma=0.2$ ，则 $f^* = 0.1/0.04 = 2.5$
意味着理论上应该2.5倍杠杆！

实战解决方案：分数凯利（Fractional Kelly）

def fractional_kelly(returns, fraction=0.5):
    """
    分数凯利：降低实操风险
    
    Parameters:
    -----------
    returns : pd.Series
        资产收益率
    fraction : float
        分数系数（0-1之间，0.5表示半凯利）
        
    Returns:
    --------
    frac_kelly : float
        分数凯利仓位
    """
    full_kelly = continuous_kelly(returns)
    frac_kelly = full_kelly * fraction
    
    return np.clip(frac_kelly, -1, 1)

# 对比：全凯利 vs 半凯利
full = continuous_kelly(stock_returns)
half = fractional_kelly(stock_returns, fraction=0.5)
print(f"全凯利仓位：{full:.2%}")
print(f"半凯利仓位：{half:.2%}")

python

经验法则：

全凯利（1x）：理论最优，但波动极大，容易破产
半凯利（0.5x）：实践中常用的折中方案
四分凯利（0.25x）：极度风险厌恶者的选择

陷阱2：估计误差敏感（Estimation Error）#

凯利公式严重依赖 $\mu$ 和 $\sigma$ 的估计。在样本外，估计误差会导致：

过高的仓位（如果高估 $\mu$ 或低估 $\sigma$ ）
过低仓位（如果低估 $\mu$ 或高估 $\sigma$ ）

解决方案：贝叶斯凯利（Bayesian Kelly）

from scipy.stats import norm

def bayesian_kelly(returns, prior_mu=0, prior_sigma=0.1, alpha=0.05):
    """
    贝叶斯凯利：引入先验分布，降低估计误差
    
    Parameters:
    -----------
    returns : pd.Series
        资产收益率
    prior_mu : float
        先验期望收益率（通常设为0或无风险利率）
    prior_sigma : float
        先验方差（表示对先验的不确定性）
    alpha : float
        置信水平（用于计算稳健凯利）
        
    Returns:
    --------
    bayes_kelly : float
        贝叶斯凯利仓位（保守版本）
    """
    T = len(returns)
    sample_mu = returns.mean() * 252
    sample_sigma2 = returns.var() * 252
    
    # 贝叶斯更新：后验均值和方差
    post_mu = (prior_mu / prior_sigma**2 + sample_mu * T / sample_sigma2) / \
              (1 / prior_sigma**2 + T / sample_sigma2)
    post_sigma2 = 1 / (1 / prior_sigma**2 + T / sample_sigma2)
    
    # 使用后验均值的分位数（保守估计）
    conservative_mu = norm.ppf(alpha/2, loc=post_mu, scale=np.sqrt(post_sigma2))
    
    # 贝叶斯凯利仓位
    bayes_kelly = conservative_mu / sample_sigma2
    
    return np.clip(bayes_kelly, -1, 1)

# 示例：贝叶斯凯利 vs 经典凯利
classic = continuous_kelly(stock_returns)
bayes = bayesian_kelly(stock_returns, prior_mu=0.05, prior_sigma=0.15)
print(f"经典凯利：{classic:.2%}")
print(f"贝叶斯凯利（保守）：{bayes:.2%}")

python

陷阱3：非正态分布（Non-Normal Returns）#

凯利公式假设收益率服从正态分布。但实际股票收益率有：

厚尾（Fat Tails）：极端事件概率高于正态分布预期
偏度（Skewness）：收益率分布不对称
异方差（Heteroskedasticity）：波动率聚类

解决方案：修正凯利公式（Modified Kelly）

from scipy.stats import skew, kurtosis

def modified_kelly(returns):
    """
    修正凯利公式：考虑偏度和峰度
    
    Parameters:
    -----------
    returns : pd.Series
        资产收益率（日度）
        
    Returns:
    --------
    mod_kelly : float
        修正凯利仓位
    """
    # 样本统计量
    mu = returns.mean() * 252
    sigma = returns.std() * np.sqrt(252)
    S = skew(returns)  # 偏度
    K = kurtosis(returns) + 3  # 峰度（注意scipy返回值）
    
    # Cornish-Fisher展开：修正正态分布分位数
    z_alpha = norm.ppf(0.05)  # 5% VaR对应的分位数
    
    # 修正分位数
    z_mod = z_alpha + \
            (z_alpha**2 - 1) * S / 6 + \
            (z_alpha**3 - 3*z_alpha) * (K-3) / 24 - \
            (2*z_alpha**3 - 5*z_alpha) * S**2 / 36
    
    # 修正后的VaR
    var_mod = mu + sigma * z_mod / np.sqrt(252)
    
    # 修正凯利：使用修正后的下侧风险
    mod_kelly = mu / (sigma**2 * np.exp(z_mod**2 / 2))
    
    return np.clip(mod_kelly, -1, 1)

# 对比：经典凯利 vs 修正凯利
classic = continuous_kelly(stock_returns)
modified = modified_kelly(stock_returns)
print(f"经典凯利（假设正态）：{classic:.2%}")
print(f"修正凯利（考虑厚尾）：{modified:.2%}")

python

凯利公式 vs 其他仓位管理方法#

方法	优点	缺点	适用场景
凯利公式	理论最优，长期增长率最大	波动大，对估计误差敏感	高频交易，优势明显的策略
半凯利	降低波动，实操性强	牺牲部分长期收益	大多数量化策略的默认选择
固定比例	简单，低风险	未充分利用优势	风险厌恶者，新手
波动率倒数	自动降仓高波动资产	忽略收益率差异	风险平价策略
马科维茨均值方差	考虑组合整体风险	需要估计协方差矩阵	多资产投资组合

实战案例：配对交易的凯利仓位#

以统计套利中的配对交易为例，展示凯利公式的应用：

def pairs_trading_kelly(spread_returns, entry_zscore=2.0, exit_zscore=0.5):
    """
    配对交易的凯利仓位管理
    
    Parameters:
    -----------
    spread_returns : pd.Series
        配对价差收益率
    entry_zscore : float
        入场Z分数阈值
    exit_zscore : float
        出场Z分数阈值
        
    Returns:
    --------
    positions : pd.Series
        每日仓位（0-1之间）
    kelly_fractions : pd.Series
        每日凯利仓位
    """
    # 计算Z分数
    z_score = (spread_returns - spread_returns.rolling(63).mean()) / \
               spread_returns.rolling(63).std()
    
    # 信号：价差偏离均值时入场
    signal = pd.Series(0, index=spread_returns.index)
    signal[z_score > entry_zscore] = -1  # 做空价差
    signal[z_score < -entry_zscore] = 1   # 做多价差
    signal[np.abs(z_score) < exit_zscore] = 0  # 平仓
    
    # 计算凯利仓位（滚动窗口）
    kelly_fractions = pd.Series(index=spread_returns.index)
    for t in range(63, len(spread_returns)):
        window_returns = spread_returns.iloc[t-63:t]
        kelly = continuous_kelly(window_returns)
        kelly_fractions.iloc[t] = kelly
    
    # 应用信号和凯利仓位
    positions = signal.shift(1) * np.clip(kelly_fractions, 0, 1)
    
    return positions, kelly_fractions

# 回测结果示例
positions, kelly_frac = pairs_trading_kelly(spread_returns)

# 计算策略收益
strategy_returns = positions.shift(1) * spread_returns
cum_returns = (1 + strategy_returns).cumprod()

print(f"策略年化收益率：{strategy_returns.mean()*252:.2%}")
print(f"策略夏普比率：{strategy_returns.mean()/strategy_returns.std()*np.sqrt(252):.2f}")
print(f"最大回撤：{((cum_returns.cummax() - cum_returns) / cum_returns.cummax()).max():.2%}")

python

总结与建议#

从半凯利开始：全凯利理论完美，但实操风险过高，建议从0.25x-0.5x凯利开始
结合止损：凯利公式不包含止损规则，必须与止损结合使用
滚动估计：定期重新估计 $\mu$ 和 $\sigma$ ，适应市场变化
多策略组合：单一策略使用凯利可能导致过度集中，多策略组合更安全
压力测试：用历史极端行情测试凯利仓位的表现

凯利公式是量化投资中强大的仓位管理工具，但必须谨慎使用、结合实战约束。记住：生存比最优更重要。

凯利公式增长曲线

图1：不同凯利比例下的资金增长曲线（模拟）

凯利 vs 固定比例

图2：凯利公式与固定比例仓位的回撤对比