Menu
基于Kelly准则的科学仓位管理,优化长期资本增长率
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
Automated API testing assistant for REST and GraphQL endpoints
Backend development expert specializing in API design, microservices, database architecture, and system performance. Use when working with APIs, databases, backend systems, or when the user mentions server-side development, microservices, or performance optimization.
Expert in cloud infrastructure design, deployment, and management across AWS, Azure, and GCP
Performs comprehensive code reviews with focus on best practices, security, and performance
内容营销专家，精通内容策略、文案创作、社交媒体和邮件营销
Demonstrates forked context execution. This skill runs in an isolated sub-agent context with its own conversation history and tool access.
| id | kelly-position-sizing |
| name | Kelly准则仓位管理 |
| description | 基于Kelly准则的科学仓位管理,优化长期资本增长率 |
| version | 1.0.0 |
| author | InvestIntel AI Team |
| dependencies | ["financial-data","valuation-framework"] |
| tags | ["position-sizing","kelly-criterion","risk-management","portfolio-optimization","money-management"] |
作者: InvestIntel AI Team 版本: 1.0.0 最后更新: 2026-01-11 标签: position-sizing, kelly-criterion, risk-management, portfolio-optimization 依赖: [financial-data, valuation-framework]
基于Kelly准则的科学仓位管理系统,通过数学优化确定最佳仓位大小,最大化长期资本增长率。
最简单的Kelly公式(二元结果):
f* = (bp - q) / b
其中:
f* = 最佳仓位比例(资本百分比)b = 赔率(盈亏比)p = 胜率(获胜概率)q = 败率(1 - p)示例1: 60%胜率, 1:1赔率
b = 1.0
p = 0.60
q = 0.40
f* = (1.0 × 0.60 - 0.40) / 1.0 = 0.20
结论: 20%仓位
示例2: 51%胜率, 1:1赔率
f* = (1.0 × 0.51 - 0.49) / 1.0 = 0.02
结论: 2%仓位(优势很小)
示例3: 75%胜率, 2:1赔率
b = 2.0
p = 0.75
q = 0.25
f* = (2.0 × 0.75 - 0.25) / 2.0 = 0.625
结论: 62.5%仓位(极佳机会)
适用于投资(收益率连续分布):
f* = μ / σ²
其中:
μ = 预期超额收益率(收益率 - 无风险利率)σ² = 收益率方差f* = μ / σ² - (skewness / 6)
投资组合优化:
max: μ'w - (λ/2) w'Σw
其中:
w = 权重向量μ = 期望收益向量Σ = 协方差矩阵λ = 风险厌恶系数(Kelly取λ=1)优点:
- 理论最优,最大化长期增长率
- 适合确定性高的机会
缺点:
- 短期波动极大
- 心理难以承受
- 估计误差敏感
适用场景:
- 套利机会
- 高胜率+高赔率
- Ed Thorp级别分析能力
f_half = 0.5 × f_full
优点:
- 大幅降低波动
- 长期增长仅降低25%
- 心理舒适度提升
适用场景:
- 大多数投资机会
- 普通投资者
- 不确定性中等
历史实践:
- Ed Thorp: 主要用半Kelly
- 许多对冲基金: 1/4到1/2 Kelly
f_quarter = 0.25 × f_full
优点:
- 极度保守
- 几乎不会大幅回撤
- 长期增长降低50%
适用场景:
- 学习阶段
- 不确定性高
- 退休账户
确定性水平 | Kelly倍数 | 应用场景
-----------|----------|----------
极极高 | 1.0x | 套利,错误定价
极高 | 0.75x | 深度研究+长期跟踪
高 | 0.5x | Lollapalooza机会
中等 | 0.25x | 标准价值投资
低 | 0.125x | 投机性仓位
极低 | 0x | 不投资
现代投资组合理论(MPT):
max: μ'w - (λ/2) w'Σw
Kelly准则:
max: μ'w - (1/2) w'Σw
混合方法:
步骤1: 用MPT找到有效前沿
步骤2: 在有效前沿上用Kelly确定风险水平
步骤3: 根据信心调整Kelly分数
公式: w_final = k × w_kelly
其中 k ∈ [0, 1]
# 当市场波动率上升时降低仓位
def dynamic_kelly(base_kelly, current_vol, avg_vol):
vol_ratio = current_vol / avg_vol
adjustment = 1 / vol_ratio
return base_kelly × adjustment
# 示例:
# 基础Kelly = 20%
# 当前波动率 = 30%, 平均波动率 = 20%
# 调整后Kelly = 20% × (20%/30%) = 13.3%
# 新仓位与现有组合的相关性
def correlation_adjustment(kelly, correlation):
# 高相关性 → 降低仓位
if correlation > 0.7:
return kelly × 0.5
elif correlation > 0.4:
return kelly × 0.7
else:
return kelly
# 示例:
# 基础Kelly = 15%
# 与持仓相关性 = 0.8
# 调整后Kelly = 15% × 0.5 = 7.5%
# 已用仓位越多,新仓位越小
def concentration_adjustment(kelly, total_position):
used_capital = sum(total_position)
remaining = 1.0 - used_capital
# 确保总仓位不超过100%
if kelly > remaining:
return remaining
return kelly
# 示例:
# 基础Kelly = 20%
# 已用仓位 = 85%
# 调整后Kelly = min(20%, 15%) = 15%
投资分析:
情景分析:
情景 概率 价格 收益率
下跌 20% $60 -25%
持平 30% $80 0%
上涨 40% $100 +25%
大涨 10% $120 +50%
计算:
μ = 0.20×(-0.25) + 0.30×0 + 0.40×0.25 + 0.10×0.50
= -0.05 + 0 + 0.10 + 0.05
= 0.10 (10%)
σ² = 0.20×(-0.25-0.10)² + 0.30×(0-0.10)² +
0.40×(0.25-0.10)² + 0.10×(0.50-0.10)²
= 0.0245 + 0.003 + 0.009 + 0.016
= 0.0525
f* = μ / σ² = 0.10 / 0.0525 = 1.90
应用实践调整:
Full Kelly: 190% → 限制在100%
Half Kelly: 95%
Quarter Kelly: 47.5%
推荐: 使用Quarter Kelly → 45%仓位
理由: 估计误差+相关性+风险偏好
投资分析:
参数估计:
预期收益:
- 估值修复: 35% (安全边际)
- 盈利增长: 8%
- 分红: 2%
- 总预期: 45%
风险(标准差):
- 历史波动率: 25%
- 行业波动率: 30%
- 估计: 28%
无风险利率: 4%
计算:
μ = 45% - 4% = 41%
σ² = (28%)² = 7.84%
f* = 0.41 / 0.0784 = 5.23
实践调整:
Full Kelly: 523% → 远超100%
Half Kelly: 261% → 超过100%
Quarter Kelly: 130% → 超过100%
推荐: 限制在40%
理由:
1. 估计误差巨大
2. Kelly对误差极敏感
3. Munger式集中投资上限
投资分析:
情景分析:
情景 概率 收益率
完全失败 40% -100%
小幅盈利 30% +50%
成功 20% +200%
大成功 10% +500%
计算:
μ = 0.40×(-1) + 0.30×0.5 + 0.20×2 + 0.10×5
= -0.40 + 0.15 + 0.40 + 0.50
= 0.65 (65%)
σ² = 0.40×(-1-0.65)² + 0.30×(0.5-0.65)² +
0.20×(2-0.65)² + 0.10×(5-0.65)²
≈ 1.1 + 0.007 + 0.036 + 0.19
≈ 1.33
f* = 0.65 / 1.33 = 0.49 (49%)
实践调整:
Full Kelly: 49%
Half Kelly: 24.5%
Quarter Kelly: 12.25%
推荐: 使用1/8 Kelly → 6%
理由:
1. 极不确定(未盈利公司)
2. 估计误差可能极大
3. 破产风险真实存在
4. 学习阶段,小额试探
问题: Kelly对μ和σ²极度敏感
μ估计偏差 10% → f*偏差可达 50%+
σ²估计偏差 10% → f*偏差可达 20%+
解决:
- 使用保守估计
- 应用fractional Kelly
- 定期重新估计
问题: 真实收益率常有肥尾
黑天鹅事件:
- 2008: -50%
- 2020: -34%(快速恢复)
解决:
- 压力测试
- 尾部风险对冲
- 更保守的Kelly分数
问题: 理论假设可以随时交易
现实约束:
- 买卖价差
- 市场冲击
- 交易限制
解决:
- 降低名义Kelly
- 使用分批建仓
- 考虑流动性折扣
问题: 理论假设理性
实际挑战:
- 回撤时恐慌
- 加仓时恐惧
- 长期仓位难以坚持
解决:
- 使用fractional Kelly
- 事先制定规则
- 定期回顾心理
对于每个投资机会:
1. 预期收益率(μ):
- 估值修复
- 盈利增长
- 分红收益
- 减去无风险利率
2. 风险(σ²):
- 历史波动率
- 行业波动率
- 情景分析
3. 置信度:
- 信息质量
- 分析深度
- 跟踪时间
import numpy as np
def calculate_kelly(expected_return, variance):
"""
计算基础Kelly仓位
"""
kelly = expected_return / variance
return min(kelly, 1.0) # 限制在100%
# 示例
mu = 0.15 # 15%超额收益
sigma2 = 0.0625 # 25%标准差的平方
kelly = calculate_kelly(mu, sigma2)
print(f"基础Kelly: {kelly:.1%}")
def adjust_kelly(base_kelly,
confidence='medium',
correlation=0.0,
used_capital=0.0,
current_vol=None,
avg_vol=None):
kelly = base_kelly
# 1. 置信度调整
confidence_multipliers = {
'very_high': 0.75,
'high': 0.5,
'medium': 0.25,
'low': 0.125,
'very_low': 0.0
}
kelly *= confidence_multipliers[confidence]
# 2. 相关性调整
if correlation > 0.7:
kelly *= 0.5
elif correlation > 0.4:
kelly *= 0.7
# 3. 集中度调整
remaining = 1.0 - used_capital
kelly = min(kelly, remaining)
# 4. 波动率调整
if current_vol and avg_vol:
vol_ratio = current_vol / avg_vol
kelly /= vol_ratio
return max(kelly, 0.0)
# 示例
adjusted = adjust_kelly(
base_kelly=0.40,
confidence='high',
correlation=0.3,
used_capital=0.60,
current_vol=0.22,
avg_vol=0.20
)
print(f"调整后Kelly: {adjusted:.1%}")
执行:
1. 分批建仓(避免择时)
2. 设置止损(极端保护)
3. 定期再平衡
监控:
1. 每季度重新估计μ和σ²
2. 实际结果 vs 预期
3. Kelly分数调整
回顾:
1. Kelly预测准确吗?
2. 调整因子有效吗?
3. 心理承受如何?
| 方法 | 优点 | 缺点 | 适用 |
|---|---|---|---|
| 等权重 | 简单,分散好 | 忽视机会差异 | 被动投资 |
| 市值权重 | 流动性好 | 追涨杀跌 | 指数投资 |
| 风险平价 | 风险均衡 | 需要杠杆 | 全天候策略 |
| MPT | 理论完善 | 估计误差大 | 机构配置 |
| Kelly | 长期最优 | 波动大,估计敏感 | 主动投资 |
初级投资者:
- 等权重 + 行业分散
- 避免单一股票超20%
中级投资者:
- Kelly + 风险平价混合
- Quarter Kelly为主
高级投资者:
- Full Kelly(少数机会)
- Half Kelly(多数机会)
- 动态调整