分数 Kelly 仓位：为什么全 Kelly 是理论最优却是实战自杀

Kelly 公式是量化圈少数几个「数学上被证明了最优」的东西：在已知优势和已知赔率下，按 f* = μ/σ² 的比例下注，能最大化长期财富的对数增长率。这个证明是对的，没有争议。

然后几乎所有实际用它的人都会告诉你：别按全 Kelly 下注，用一半，或者四分之一。

这看起来很分裂——明明是最优解，为什么所有从业者都主动往回退？

把真值精确设为 μ=6%、σ=20%（于是 f* = 0.06/0.04 = 1.50x 杠杆），跑 20 年 × 2 万条路径，答案分三层，而大多数人只知道第一层。

左图是那条著名的抛物线。注意它的形状：峰值附近极其平坦，右侧极其陡峭。从 0.5x 到 1.0x 只多赚 1.125 个百分点，而从 1.0x 到 1.5x 又原样吐回去——下注 1.5 倍 Kelly 的增长率，和下注 0.5 倍 Kelly 完全一样（都是 3.375%），但回撤是后者的两倍。

右图是代价：中位回撤从 0.25x 的 23.4% 一路走到 2.0x 的 95.3%，而中位收益在 1.0x 之后开始倒退。

一、第一层：全 Kelly 确实兑现了它的承诺#

先确认引擎是对的。理论对数增长率 g(f) = f·μ − ½f²σ²，仿真的中位年化收益应该逼近它（对数正态分布的中位数就是 exp(g·T)）。

理论和实测的最大偏差是 0.0015，纯蒙特卡洛误差。全 Kelly 确实给出了最高的中位增长率，数学没有骗人。

但看后三列。全 Kelly 有 95.01% 的路径会经历腰斩，2.19% 的路径直接亏到只剩 10%（本文的出局定义）。

而 2.0x Kelly 那一行是理解整件事的关键：理论增长率精确等于 0。你承担了 3 倍杠杆、95.3% 的中位回撤、38.95% 的出局率，长期增长率是零。这不是「收益低一点」，是全部优势被波动拖累精确吃光。

这就是 Kelly 曲线右侧的悬崖。

二、第二层：分布长什么样，比中位数重要#

左图的终值分布（log10 轴）解释了为什么「中位增长率最高」是个有欺骗性的指标。

全 Kelly 20 年后：中位财富 2.42 倍，均值 6.02 倍。均值是中位数的 2.48 倍。

半 Kelly：中位 1.95 倍，均值 2.45 倍，比值只有 1.26。

这个差距说明全 Kelly 的收益高度集中在少数极端路径上。均值被右尾拉走了，而你只能活在一条路径上。

更直接的数字：全 Kelly 有 43.31% 的路径，20 年后连半 Kelly 的中位数（1.95 倍）都达不到。 你多冒了一倍的风险，接近一半的概率还不如老老实实用半仓的中间结果。

中图是分位数路径。全 Kelly 的中位线（红）确实一直在半 Kelly（深蓝）上方，但看那条 5% 分位虚线——全 Kelly 的下 5% 分位在 20 年里长期趴在 1.0 以下，也就是说每 20 个平行世界里就有 1 个，你辛苦 20 年还是亏的（实际亏损概率 25.41%）。

右图是回撤的 95 分位：全 Kelly 90.76%，1.5x Kelly 98.15%，2.0x Kelly 99.74%。

这里要说一句实话：90% 的回撤在数学上是可恢复的，在现实中不是。 没有任何机构投资人会在你回撤 90% 时还留在基金里，没有任何个人能在账户剩 10% 时保持策略纪律。Kelly 公式假设你可以无限期地按比例下注，而现实中回撤会通过赎回、追加保证金、和你自己的心理，把「按比例」这个前提摧毁掉。

半 Kelly 保留 75% 的理论增长率（3.375% / 4.5%），四分之一 Kelly 保留 43.75%。用四分之一的增长率换掉一半的回撤，对绝大多数真实约束下的资金来说是划算的。

三、第三层：真正的杀手是你根本不知道 μ#

前两层是教科书内容。这一层才是全 Kelly 在实战中真正致命的原因。

上面所有计算都假设你精确知道 μ=6%。现实中你只能估计它，而均值的估计误差大得惊人：标准误 = σ/√T。

σ=20% 时：

• 用 1 年数据估计 → SE = 20.0%（比 μ 本身大三倍）
• 用 10 年数据估计 → SE = 6.32%（仍然比 μ 大）
• 用 50 年数据估计 → SE = 2.83%

你需要 44 年数据，才能让 μ 的标准误降到 μ 本身的一半。

而 Kelly 公式对 μ 是线性放大的：f* = μ/σ²。μ 估高一倍，杠杆就开高一倍，而增长率是 f 的二次函数——错误被平方放大。

用估计出的 μ̂ 计算 f̂，然后用真值 μ 评估这个 f̂ 的真实增长率：

这张表是全文最重要的一张。

用 10 年历史数据估计参数、然后按全 Kelly 下注，平均真实增长率是 −0.55%。 你以为自己在执行最优策略，实际上在亏钱。而同样的估计误差下，半 Kelly 给出 +2.15%。

全 Kelly 要到 50 年数据才终于反超半 Kelly（3.49% vs 3.14%）。

原因在第二张图：估计窗口越短，把杠杆开到真 Kelly 两倍以上的概率越高——1 年数据时是 38.7%，10 年时仍有 17.6%。而我们在第一节已经看到，2x Kelly 的增长率精确等于 0，超过 2x 就是负的。

换句话说：用 10 年数据做全 Kelly，你有六分之一的概率把自己送进「数学上保证长期亏损」的区域。

半 Kelly 之所以稳健，不是因为它更保守，而是因为它把你的估计误差也减半了。它本质上是一种对参数不确定性的贝叶斯收缩。

第三张图是零优势安慰剂：把 μ 设为 0（真 Kelly 精确为 0），三档下注的实测中位 CAGR 是 −0.2826% / −1.1235% / −4.4073%，理论值是 −0.2812% / −1.1250% / −4.5000%。在一个完全没有优势的世界里，全 Kelly 每年精确亏掉 4.5% 的波动拖累，中位回撤 85.95%。

配套的零波动检验：σ→0 时中位 CAGR = 6.182898%，理论 6.183655%，偏差 7.57e-06。引擎在两个极端上都是准的。

四、跳跃：连续公式的盲区#

f* = μ/σ² 这个形式是连续时间下推导的，它隐含假设价格路径连续、没有跳空。

真实市场会跳。区分「厚尾」和「跳跃」很重要，因为它们的后果完全不同。

设计对照时必须小心一个陷阱：直接加一个负跳跃会同时降低期望收益，那样比较的就是两个不同优势的世界了。所以做期望补偿——把跳跃的无条件期望从漂移里减回去，让总期望收益与基准完全相同，只改变尾部形状：

if jump is not None:
    # 补偿跳跃：把跳跃的无条件期望从漂移中减回去，
    # 使总期望收益与基准一致 —— 只改尾部形状，不改优势
    p_j, size_j = jump
    hit = rng.random(n_paths) < p_j * dt
    r = r + hit * size_j - p_j * dt * size_j

两个结论：

第一，厚尾几乎无影响。 学生 t(4) 的峰度远高于正态，但结果和基准几乎一模一样（真最优都是 0.95x）。因为日频厚尾在 252 天的复合中被中心极限效应抹平了。「收益不服从正态分布所以 Kelly 失效」这个常见说法，在日频复合的语境下基本站不住。

第二，跳跃是致命的。 同样的期望收益，加入一年一次的 −20% 跳空后，真实最优下注降到 0.45x，连续公式高估了 2.22 倍；−35% 跳空情形下真最优只有 0.35x，高估 2.86 倍。而此时全 Kelly 的中位收益已经翻负（−0.75%），出局率 29.4%。

这意味着：如果你的资产会跳空（个股、加密、新兴市场、任何有事件风险的东西），教科书 Kelly 给出的数字需要打对折甚至打三折——而这个折扣不是保守主义，是修正一个公式错误。

顺带说一句，即使在纯正态基准下，数值搜索出的真最优也是 0.95x 而非 1.00x。这 5% 的差距来自离散时间复合与连续时间近似的偏差。连续公式在任何离散执行的现实中都是略微高估的。

五、时间维度：全 Kelly 需要多久才「赢」#

支持全 Kelly 的最后一道防线是：「它长期一定赢，只要你活得够久。」

用同一批随机数逐路径对比：

20 年之后，全 Kelly 只有 63.1% 的概率跑赢半 Kelly。80 年之后也才 74.3%。

「长期一定赢」在数学上是对的（概率趋向 1），但收敛速度慢得离谱。而在这条极慢的收敛路上，你要一直忍受 70%–87% 的中位回撤。

没有人的投资生涯有 80 年。有 80 年资金久期的机构，也不会容忍 87% 的回撤。

成本让这个对比更糟。右图显示：月度再平衡成本 25bp 时，全 Kelly 的中位收益（2.21%）已经和半 Kelly（2.24%）持平；50bp 时全 Kelly 变负（−0.07%）而半 Kelly 还有 +1.09%。杠杆越高，同样的成本率吃掉的绝对收益越多——成本对高杠杆的伤害是线性放大的。

六、已知偏差#

第一，这是几何布朗运动 + 固定参数，不是历史回测。 真值由构造已知是这套方法论的核心优势（否则做不了零优势安慰剂），但也意味着没有 regime 切换、没有波动聚集、没有 μ 随时间漂移。真实世界里 μ 本身是不稳定的，这会让第三节的估计误差问题比这里展示的更严重，不是更轻。

第二，出局定义是「亏到只剩 10%」，这是个宽松的定义。 真实约束下，机构在回撤 30% 时就会面临大规模赎回，个人在回撤 50% 时基本会放弃策略。按现实约束算，全 Kelly 的「有效出局率」远高于 2.19%。

第三，没有建模融资成本和保证金追缴。 全 Kelly 对应 1.5x 杠杆，2x Kelly 对应 3x 杠杆。真实杠杆有融资利差（50–150bp），而且在回撤时经纪商会强制降杠杆——强制降杠杆恰好破坏了 Kelly 的「固定比例」前提，会把回撤永久化。这个效应在本文完全没有体现，它只会让高杠杆更糟。

第四，单一资产、单一优势。 多资产 Kelly 需要处理协方差矩阵的估计，而协方差矩阵的估计误差比均值更麻烦（维度诅咒）。多资产场景下分数 Kelly 的必要性只会更强。

七、实践 Checklist#

1. 默认用 0.25x 到 0.5x Kelly。 半 Kelly 保留 75% 的理论增长率、砍掉 40% 的回撤；在 10 年参数估计误差下它的真实增长率（+2.15%）碾压全 Kelly（−0.55%）。

2. 先算你的 μ 标准误，再算 Kelly。 SE = σ/√T。如果 SE 大于 μ 的一半（对应 T < 4σ²/μ²，本文设定下是 44 年），你就没有资格谈全 Kelly。

3. 资产会跳空 → 再打对折。 −20%/年 的跳跃风险下真最优只有连续公式的 0.45 倍。个股、加密、新兴市场都属于这一类。厚尾不用怕，跳空要怕。

4. 用中位数汇报，不要用均值。 全 Kelly 的均值/中位比是 2.48，均值完全被右尾主导，而你只能活在一条路径上。

5. 把回撤当成硬约束而非软指标。 90% 的回撤在数学上可恢复，在现实中会通过赎回和心理崩溃变成永久损失——那一刻 Kelly 的前提就失效了。

6. 成本高就再降。 月度 50bp 成本下，全 Kelly 的中位收益已经是负的，而半 Kelly 还有 +1.09%。

Kelly 公式没有错，它只是回答了一个和你的处境不同的问题：它假设你知道 μ、活得无限久、能承受任意回撤、且价格不跳空。 这四条假设你一条都不满足。

分数 Kelly 不是对最优解的妥协，它是在你真实的约束条件下重新求解之后得到的那个最优解。