标签： #凯利公式

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）。

凯利公式给出理论最优杠杆，但它假设赔率恒定——市场偏偏在牛熊两套参数间来回切。本文用纯 numpy 合成两状态市场（转移矩阵 P、牛市 μ=+0.09%/σ=0.9%、熊市 μ=-0.16%/σ=2.4%），先用 HMM 前向算法在线滤出熊市后验概率（识别准确率 95%），再把凯利分数按后验期望在牛熊之间加权收放。回测对决：固定半凯利与买入持有几乎重叠（总收益 25%、Sharpe 0.24、最大回撤 -64%），而状态切换凯利总收益 77%、Sharpe 0.52、最大回撤压到 -32%——收益翻三倍、回撤砍半，核心不是预测方向而是在熊市把杠杆主动收回甚至反手。全文诚实拆穿：凯利分数对参数估计误差极度敏感（牛市理论 f*=11 必须靠半凯利+CAP 硬压）、在线滤波天然滞后（状态切换后要几天才反应，切点附近必吃亏）、状态数与转移矩阵是先验强假设、样本外真实市场没有干净的两状态结构四类陷阱（中高阶）。

Kelly 公式回答的不是「买不买」，而是「这笔该下多大注」。本文从离散下注的 f*=(bp−q)/b 推到连续策略的 f*=μ/σ²，用蒙特卡洛画出「增长曲线在 f* 处达峰、越线即转负」与「满仓腰斩概率爆表、半 Kelly 大幅降低」两张真实图景，并点破估计误差、满仓回撤、杠杆约束等致命陷阱。