标签： #仓位管理

「回撤超过 10% 就自动减仓」是资管产品的标配风控，但它的公平比较对象不是原策略，而是降到同样平均敞口的常数杠杆——而常数杠杆的 Sharpe 精确等于原策略 0.500668（杠杆不改变 Sharpe，引擎自洽性验证）。4000 路径 × 10 年受控模拟拆出四笔账：Jensen 敞口离散税 −0.0422（有闭式解 E[w]/√E[w²]=0.915636）、路径联动成本 −0.0553、换手成本 −0.0180，而唯一为正的回撤持续性收益只有 +0.0059——被前三项吃掉 21 倍。决定性对照是敞口移植：把路径 i 的敞口轨迹配给路径 i+1，w 的边际分布一字不改、只切断它与自身回撤的联动，残差立刻从 −0.0440 变成 +0.0054，Jensen 解析式精确成立。零波动安慰剂最大逐日偏差 0.000e+00、敞口恒为 1.0000000000。真正的发现在尾部：同样的中位回撤下常数杠杆多赚 0.613pp/年，但同样的最差 5% 回撤下覆盖层反赚 1.354pp——它不是风控工具，是尾部保险。最差 1% 回撤改善 18.49pp。剂量反应单调但残酷：择时项过零需 AR(1)=0.187，而总 Sharpe 增量在 phi=0.30 时仍为负。波动聚集不是第二引擎（k 扫描极差 0.00025，是 phi 扫描的 1/416）。12 宇宙 CV=0.053

真值精确设为 μ=6%、σ=20%（f*=1.50x），20 年 × 2 万路径：全 Kelly 确实兑现数学承诺（中位 4.53% 对理论 4.5000%、偏差 0.0015），代价是中位回撤 70.67%、95.01% 的路径腰斩、2.19% 出局。半 Kelly 只放弃 25% 增长率，回撤砍到 42.68%。但真正的杀手是参数误差：用 10 年历史估 μ（SE=6.32%），全 Kelly 平均真实增长率是 −0.55%、半 Kelly +2.15%，需 50 年数据全 Kelly 才反超。零优势安慰剂实测 −0.2826/−1.1235/−4.4073% 对理论 −0.2812/−1.1250/−4.5000%，零波动偏差 7.57e-06。跳跃是连续公式盲区：期望补偿后的 −20%/年冲击下真最优仅 0.45x（高估 2.22 倍）、全 Kelly 翻负 −0.75%，而 t(4) 厚尾几乎无影响——胖尾不可怕，可怕的是跳。全 Kelly 逐路径跑赢半 Kelly 20 年只有 63.1%、80 年才 74.3%，且 43.31% 的路径连半 Kelly 中位数都够不到

模型输出的不只是方向，还有一个被大多数人扔掉的数字：预测概率。Bet Sizing 把它捡回来变成头寸大小——AFML 的映射 m=2Φ(z)−1（z 为概率对 0.5 的标准化偏离）在低置信区间比线性映射 2p−1 更保守、高置信区间加速抬升，天然抑制'刚过 0.5 就重仓'的赌徒行为。1500 日模拟实测同一个预测器三种下注方式：全押 p>0.5 的 Sharpe 1.83/最大回撤 -20.2%，高置信过滤 p>0.6 的 1.79/-7.8%，概率仓位 1.95/-1.8%——收益没变多，但资金暴露按确信度重新分配后回撤压缩一个数量级。两个工程细节决定实盘可行性：仓位离散化（step=0.2 把累计换手压缩 1.5 倍而信号形状不变，否则概率的小数点抖动全变成手续费）；并发信号平均法（同一标的多个存活信号取均值聚合，新信号进场老信号结算时仓位平滑过渡）。前提警告：整套体系建立在概率校准之上，未校准的原始分类器输出直接喂进映射函数比全押更危险（中高阶）

全凯利在理论上增长最快，在实践里几乎总是错的。年化 8%/波动 18% 的资产 f* = 2.47 倍杠杆，20 年 × 400 条路径实测：全凯利中位增长 9.5% 但中位最大回撤 80.6%，半凯利用 7.1% 的增长换回撤降到 51.5%——增长率对仓位是二次函数（k=0.5 保留 75% 增长），回撤对仓位是指数惩罚。解析式 P(回撤>D) = D^(2/k−1) 给出残酷账单：全凯利一生撞上 50% 回撤的概率是 50%，半凯利只有 12.5%，蒙特卡洛圆点几乎落在理论曲线上。但分数凯利最硬的理由是参数无知：10 年日频数据估 mu 的标准误 5.7%，与 mu 本身同数量级，把估计误差灌进仓位公式后 k=1.5 的负增长概率飙到 41%，而 k=0.5 中位增长 7.4% 反而与全凯利的 7.7% 几乎打平——估计误差面前，多扛的杠杆几乎白扛。三盆冷水：k 本身也依赖被估错的参数（分数化是缓冲不是豁免）、肥尾市场里连续时间解析式系统性低估尾部（跳空一夜越过全部止损）、多资产凯利需要逆协方差矩阵——估计误差被求逆放大后，实务中 0.2-0.5 倍凯利加总杠杆上限才是常态（中阶）。

让一个 ML 模型直接预测涨跌，是金融机器学习最拥挤也最失败的路线。López de Prado 的元标注换了问法：先让一级模型（哪怕是最朴素的 MA 金叉）定方向，再训练一个二级模型只回答『这次信号该不该信、信多少』——标签是一级信号经三重障碍结算的对错（1/0），特征是信号发出时的市场状态。合成双状态市场（趋势市动量延续、震荡市均值回归）实测：胜率 59% 的金叉策略，经元模型过滤后精确率从 63% 提到 74%，代价是放掉 29% 的赚钱机会——用召回率换精确率正是交易想要的不对称；样本外净值三连跳：全执行 Sharpe 0.56 / 回撤 23%，过滤后 1.37 / 16%，概率仓位（size ∝ 2P−1）1.86 / 4.9%。打开黑箱看元模型学到了什么：趋势市金叉胜率 69% vs 震荡市 57%——它学会的是『什么时候该信趋势策略』这个 regime 判断，而这正是人类交易员最难量化坚持的纪律。三个诚实警告：元模型天花板受一级信号质量约束（垃圾进垃圾出）、双层结构过拟合风险翻倍（元特征应克制在个位数）、概率校准是仓位函数的前提（先看校准图再谈 Kelly）（中高阶）。

经典 Kelly 公式 f*=μ/σ² 用无条件均值方差算一个常数杠杆，但市场不是一个分布——牛市（年化 +12%/12%）和熊市（-18%/32%）的最优杠杆一个是 +8.3 一个是 -1.8，无条件 Kelly 的 1.23 对两个状态都是错的。两状态马尔可夫市场模拟 60 年实测：无条件 Kelly 年化对数增长仅 2.7%、最大回撤 78%；用 Hamilton 滤波实时推断 regime 概率、按混合矩重算杠杆的状态条件 Kelly 达 10.2%、回撤 57%，距全知作弊上限（11.3%）只差一个百分点。更被低估的红利是稳健性：熊市均值估错 ±15 个百分点，状态条件 Kelly 增长率几乎不动（10.1-10.3%），无条件 Kelly 从 2.7% 掉到 0.8%——条件化不仅赚增长，还买了参数误差保险。附滤波识别延迟分布（中位数 3 天、90 分位 6 天）、杠杆上限截断的必要性、以及真实市场里 regime 参数本身要估计的 EM/贝叶斯讨论（中阶）。

A 公司宣布以每股 100 元收购 B 公司，B 的股价却只涨到 92 元——留下的 8 元价差，就是并购套利者的猎物。这 8 元不是免费的：它是市场对『这笔交易可能黄掉』开出的风险定价。本文把并购套利拆成一个条件期望问题：收益 = 完成概率 × 收敛收益 −（1−完成概率）× 破裂损失，核心不是猜价差多大，而是估准完成概率、再把它写进仓位。用合成数据复现成功交易的价差收敛与失败交易的价格坍塌，画出完成概率驱动的盈亏平衡线，揭示这类策略『高胜率小赢 + 低频巨亏』的负偏收益分布，并证明按完成概率加权的仓位能显著平滑净值。诚实拆解：左尾风险、监管黑天鹅、A 股要约收购制度差异（中阶）。

监督学习只能回答『下一期涨还是跌』，回答不了『该持多少仓』——仓位是个连续决策，且换手有成本、决策有惯性，这天然是强化学习问题。PPO 是策略梯度的工程化版本：用概率比 r(θ) 度量新旧策略偏移，clip 目标把更新钉死在信任域 [1-ε,1+ε] 内，防止一次大步毁掉整个策略。本文纯 numpy 实现线性高斯策略 PPO（tanh 均值头 + 可学习 σ + GAE 优势估计），在 OU 均值回复合成市场上训练 200 轮：episode 奖励从 -8.9 爬到 +7.0，agent 自己学会『涨多了做空、跌多了做多』的平滑连续仓位函数。样本外对比揭示连续动作的真正价值：PPO Sharpe 1.57 与硬规则 ±1 满仓反转的 1.75 接近，但最大回撤只有其 1/5（-3.5% vs -17.2%）、换手只有其 1/5——它学到的不是更强的信号，而是更聪明的仓位。拆穿 reward=收益率就够了/训练曲线涨=真学会了/RL 免疫过拟合/σ 收敛=策略成熟四类陷阱（中阶）。