Kriteria Kelly: Position Sizing Optimal dari Prinsip Dasar

Poin Utama

Kriteria Kelly menyediakan aturan yang secara matematis optimal untuk menentukan ukuran taruhan dan posisi portofolio guna memaksimalkan kekayaan jangka panjang. Berasal dari teori informasi, kriteria ini memberitahu secara tepat berapa persen modal yang harus dipertaruhkan pada setiap peluang dengan nilai ekspektasi positif. Full Kelly memaksimalkan tingkat pertumbuhan geometris kekayaan, tetapi karena kesalahan estimasi dan fat tail membuat full Kelly terlalu agresif di pasar nyata, para praktisi hampir secara universal menggunakan fractional Kelly (biasanya half-Kelly).

Dari Teori Informasi ke Taruhan Optimal

Pada tahun 1956, John Larry Kelly Jr., seorang fisikawan di Bell Labs, menerbitkan sebuah makalah yang secara diam-diam akan mengubah cara berpikir para penjudi dan investor serius tentang position sizing. Kelly tidak sedang mempelajari keuangan; ia bekerja pada teori informasi, membangun di atas karya dasar Claude Shannon tentang saluran komunikasi. Wawasannya elegan: masalah seorang penjudi dengan edge secara matematis setara dengan masalah mentransmisikan informasi melalui saluran yang bising.

Kelly (1956) mengajukan pertanyaan sederhana: jika Anda memiliki edge dalam taruhan berulang, berapa fraksi bankroll yang harus Anda pertaruhkan setiap kali untuk memaksimalkan tingkat pertumbuhan kekayaan jangka panjang? Jawabannya, yang kini disebut kriteria Kelly, sangat presisi.

Untuk taruhan biner sederhana di mana Anda menang dengan probabilitas p dan kalah dengan probabilitas q = 1 - p, dan kemenangan membayar b-banding-1, fraksi optimal untuk dipertaruhkan adalah:

f* = (bp - q) / b

Formula ini memiliki interpretasi yang indah. Pembilang bp - q adalah expected edge per dolar yang dipertaruhkan. Membagi dengan b menyesuaikan ukuran taruhan secara terbalik terhadap odds pembayaran; pembayaran lebih tinggi memerlukan taruhan fraksional yang lebih kecil karena setiap hasil membawa lebih banyak varians.

Contoh Lemparan Koin

Pertimbangkan sebuah koin yang mendarat kepala 60% dari waktu, membayar even money (b = 1). Edge Anda nyata tetapi sederhana. Berapa fraksi bankroll yang harus Anda pertaruhkan?

Menerapkan formula Kelly: f* = (1 x 0.60 - 0.40) / 1 = 0.20

Kelly mengatakan untuk mempertaruhkan 20% dari bankroll Anda saat ini pada setiap lemparan. Bukan 50%. Bukan 5%. Tepat 20%.

Mengapa tidak bertaruh lebih banyak? Karena matematika compound geometris membuat over-betting menghancurkan kekayaan. Jika Anda mempertaruhkan 50% bankroll pada koin 60/40, Anda akhirnya akan bangkrut meskipun memiliki edge positif. Varians mengalahkan edge. Setelah serangkaian kemenangan dan kekalahan, bankroll Anda mengikuti jalur di mana rata-rata geometris return menentukan nasib jangka panjang, bukan rata-rata aritmetis.

Setelah 100 lemparan dengan taruhan Kelly-optimal 20%, tingkat pertumbuhan geometris yang diharapkan adalah sekitar 2% per taruhan. Setelah 1.000 lemparan, $1.000 awal biasanya akan tumbuh menjadi lebih dari $300.000. Dengan taruhan 50% pada koin yang sama, Anda kemungkinan besar akan memiliki kurang dari yang Anda mulai.

Mengapa Pertumbuhan Geometris Penting

Kriteria Kelly memaksimalkan logaritma ekspektasi kekayaan, yang setara dengan memaksimalkan tingkat pertumbuhan geometris. Perbedaan antara return aritmetis dan geometris ini fundamental untuk memahami mengapa Kelly berhasil.

Latané (1959) secara independen sampai pada prinsip yang sama dari perspektif teori portofolio, berargumen bahwa investor harus memaksimalkan rata-rata geometris return portofolio. Penalarannya langsung: dalam horizon panjang, portofolio dengan tingkat pertumbuhan geometris tertinggi hampir pasti akan mendominasi semua yang lain.

Rata-rata aritmetis return bisa menyesatkan. Portofolio yang memperoleh 100% lalu kehilangan 50% memiliki rata-rata return aritmetis 25% per periode, tetapi investor berakhir tepat di posisi awal. Rata-rata geometris (2.0 x 0.5) = 1.0, yang secara tepat mencerminkan pertumbuhan nol.

Asimetri antara keuntungan dan kerugian ini disebut variance drag. Untuk rata-rata return aritmetis tertentu, varians yang lebih tinggi mengurangi rata-rata geometris. Hubungannya kira-kira:

rata-rata geometris = rata-rata aritmetis - varians / 2

Kriteria Kelly secara implisit memperhitungkan drag ini. Ia menemukan ukuran taruhan yang memaksimalkan edge aritmetis dikurangi penalti varians, menghasilkan tingkat pertumbuhan geometris tertinggi.

Dari Taruhan ke Portofolio

Untuk investasi tunggal dengan expected excess return mu (di atas risk-free rate r) dan volatilitas sigma, kriteria Kelly mengambil bentuk kontinu:

f* = (mu - r) / sigma^2

Formula ini memiliki struktur intuitif. Anda berinvestasi lebih banyak ketika expected excess return lebih tinggi dan lebih sedikit ketika volatilitas lebih tinggi. Ukuran posisi optimal berskala linier dengan expected return tetapi berbanding terbalik dengan kuadrat volatilitas. Menggandakan volatilitas memotong posisi optimal menjadi seperempat, bukan setengah.

Pertimbangkan saham dengan expected return 12%, risk-free rate 4%, dan volatilitas tahunan 20%. Alokasi Kelly-optimal adalah:

f* = (0.12 - 0.04) / (0.20)^2 = 0.08 / 0.04 = 2.0

Kelly mengatakan untuk leverage hingga 200% modal pada saham ini. Hasil ini segera mengungkapkan baik kekuatan maupun bahaya full Kelly: optimum teoritis sering menuntut leverage agresif yang membuat sebagian besar investor ketakutan, dan hal tersebut memiliki alasan yang kuat.

Argumen untuk Fractional Kelly

Edward Thorp, matematikawan yang terkenal karena mengalahkan blackjack menggunakan card counting dan kemudian menjalankan hedge fund Princeton Newport Partners yang sangat sukses, menjadi advokat paling berpengaruh dari kriteria Kelly dalam praktik. Tetapi Thorp juga sama tegasnya tentang modifikasi kritis: jangan pernah menggunakan full Kelly.

Thorp (2006) berargumen bahwa fractional Kelly, biasanya mempertaruhkan setengah dari jumlah Kelly-optimal, jauh lebih superior dalam praktik karena beberapa alasan.

Pertama, ketidakpastian parameter. Formula Kelly mengasumsikan Anda mengetahui probabilitas kemenangan dan odds pembayaran yang tepat. Dalam kenyataan, parameter ini diestimasi dengan error. Melebih-lebihkan edge Anda menyebabkan over-betting, yang bersifat katastrofik. Jika edge sejati Anda setengah dari yang diestimasi, full Kelly berdasarkan estimasi yang salah menempatkan Anda pada dua kali fraksi Kelly yang sebenarnya, jauh ke dalam zona bahaya di mana pertumbuhan geometris menjadi negatif.

Kedua, pengurangan varians. Full Kelly menghasilkan ayunan yang sangat besar dalam nilai portofolio. Standar deviasi jalur log-kekayaan di bawah full Kelly sangat besar. Half-Kelly mencapai 75% dari growth rate full Kelly tetapi dengan hanya setengah varians. Bagi sebagian besar investor, trade-off ini sangat menguntungkan.

Ketiga, manajemen drawdown. Maximum drawdown di bawah full Kelly secara teoritis tidak terbatas dalam waktu kontinu. Di bawah half-Kelly, expected drawdown secara dramatis lebih kecil. Thorp mendokumentasikan bahwa tradingnya sendiri menggunakan fraksi Kelly berkisar dari 0.1 hingga 0.5, tergantung pada kepercayaannya terhadap estimasi edge.

Pendekatan fractional Kelly umum menskalakan taruhan optimal dengan faktor c antara 0 dan 1:

f_actual = c x f*

Pada c = 0.5 (half-Kelly), Anda mengorbankan hanya sekitar 25% dari growth rate jangka panjang sambil memotong volatilitas sebesar 50%. Pada c = 0.25 (quarter-Kelly), Anda mengorbankan sekitar 44% growth rate tetapi mengurangi volatilitas sebesar 75%. Growth rate di bawah fractional Kelly adalah:

g(c) = c x (mu - r) - c^2 x sigma^2 / 2

Ini adalah fungsi kuadratik yang mencapai puncak pada c = 1 (full Kelly) dan sama dengan nol pada c = 2 (double Kelly). Bertaruh lebih dari dua kali jumlah Kelly menghasilkan pertumbuhan geometris negatif; Anda akan bangkrut dengan pasti seiring waktu.

Bahaya Over-Betting

Pelajaran praktis terpenting dari teori Kelly adalah asimetri katastrofik antara under-betting dan over-betting.

Jika Anda bertaruh setengah jumlah Kelly, Anda mendapatkan 75% dari growth rate optimal. Jika Anda bertaruh dua kali jumlah Kelly, Anda mendapatkan growth rate nol, setara dengan tidak bertaruh sama sekali. Jika Anda bertaruh lebih dari double Kelly, growth rate Anda menjadi negatif, dan kebangkrutan menjadi pasti.

Asimetri ini memiliki implikasi mendalam. Kesalahan estimasi yang menyebabkan under-betting relatif tidak berbahaya; Anda meninggalkan beberapa pertumbuhan di atas meja tetapi kekayaan Anda masih compound secara positif. Kesalahan yang menyebabkan over-betting berpotensi menghancurkan; penalti untuk over-sizing jauh lebih curam daripada penalti untuk under-sizing.

Inilah mengapa praktisi Kelly yang berpengalaman selalu berhati-hati di sisi konservatif. Biaya terlalu konservatif adalah sederhana. Biaya terlalu agresif adalah kebangkrutan.

Multi-Aset Kelly: Versi Portofolio

Untuk portofolio dengan banyak aset, kriteria Kelly diperluas menggunakan matriks kovarians. Thorp (2006) mempresentasikan formulasi multi-aset, dan MacLean, Thorp, dan Ziemba (2011) memberikan perlakuan buku teks yang definitif.

Jika mu adalah vektor expected excess return dan Sigma adalah matriks kovarians, bobot portofolio Kelly-optimal adalah:

f* = Sigma^(-1) x mu

Ini identik dengan portofolio optimal mean-variance dengan koefisien risk-aversion 1 (sesuai dengan utilitas logaritmik). Koneksi ini bukan kebetulan: memaksimalkan logaritma ekspektasi kekayaan setara dengan optimisasi mean-variance ketika return terdistribusi normal, dengan parameter risk-aversion spesifik yang sesuai dengan Kelly.

Formulasi multi-aset mengungkapkan bahwa Kelly secara alami mendiversifikasi. Aset dengan expected return tinggi menerima bobot besar, tetapi matriks kovarians memastikan bahwa aset yang sangat berkorelasi tidak diberi bobot berlebihan. Versi portofolio Kelly, pada dasarnya, adalah versi yang dioptimalkan dengan leverage dari portofolio tangency teori mean-variance.

Koneksi dengan Utilitas Logaritmik

Kriteria Kelly setara dengan memaksimalkan utilitas logaritmik ekspektasi kekayaan. Investor dengan fungsi utilitas logaritmik U(W) = ln(W) akan, ketika mengoptimalkan masalah portofolio satu periode, sampai pada formula Kelly yang tepat.

Koneksi ini memberikan landasan teoritis. Utilitas logaritmik memiliki beberapa properti menarik: ini adalah satu-satunya fungsi utilitas di mana strategi optimal bersifat myopic (independen dari horizon investasi), dan menghasilkan portofolio optimal pertumbuhan yang hampir pasti akan mengungguli semua strategi lain dalam jangka panjang.

Namun, utilitas logaritmik juga mengimplikasikan tingkat risk-aversion tertentu. Investor dengan risk-aversion lebih besar dari yang diimplikasikan utilitas logaritmik harus bertaruh kurang dari Kelly, yang membawa kembali ke fractional Kelly sebagai default praktis.

Contoh Praktis Position Sizing Portofolio

Pertimbangkan seorang investor yang mengevaluasi strategi momentum ekuitas sistematis dengan karakteristik estimasi berikut: expected annual excess return 6%, volatilitas tahunan 15%, dan risk-free rate 4%.

Fraksi full Kelly untuk strategi ini adalah:

f* = 0.06 / (0.15)^2 = 0.06 / 0.0225 = 2.67

Full Kelly mengatakan untuk leverage hingga 267% modal. Ini agresif. Pada half-Kelly (c = 0.5), alokasi menjadi 133%. Pada quarter-Kelly (c = 0.25), menjadi 67%, yang sebagian besar investor institusional akan anggap masuk akal.

Expected geometric growth rate adalah:

Full Kelly: g = 0.06 - (0.15)^2 / 2 = 4.88% per tahun di atas risk-free rate

Half-Kelly: g = 0.5 x 0.06 - 0.25 x (0.15)^2 / 2 = 2.72% di atas risk-free

Quarter-Kelly: g = 0.25 x 0.06 - 0.0625 x (0.15)^2 / 2 = 1.43% di atas risk-free

Perbedaan growth rate antara full dan quarter Kelly adalah sekitar 3.4 poin persentase per tahun. Tetapi volatilitas portofolio full Kelly adalah 40% (2.67 x 15%), sementara portofolio quarter-Kelly memiliki volatilitas 10% (0.67 x 15%). Bagi sebagian besar investor, trade-off risk-adjusted dari fractional Kelly jelas superior.

Keterbatasan dan Kritik

Kriteria Kelly bertumpu pada asumsi yang tidak sempurna terpenuhi di pasar nyata.

Ketidakpastian parameter adalah masalah paling fundamental. Formula memerlukan pengetahuan presisi tentang expected return dan volatilitas. Dalam praktik, expected return diestimasi dengan ketidakpastian yang sangat besar. Expected excess return sebuah saham mungkin 6% plus atau minus 8%. Dengan interval kepercayaan yang begitu lebar, fraksi Kelly itu sendiri sangat tidak pasti, dan full Kelly menjadi ceroboh.

Fat tail menginvalidasi aproksimasi Gaussian kontinu. Return pasar nyata menunjukkan kurtosis jauh melampaui prediksi distribusi normal. Kejadian ekstrem terjadi lebih sering dari yang diantisipasi kerangka matematis Kelly. Ini membuat over-betting bahkan lebih berbahaya dari yang disarankan teori standar.

Argumen non-ergodisitas, yang dikemukakan oleh Ole Peters (2019), memberikan kritik yang lebih dalam. Peters berargumen bahwa kerangka utilitas ekspektasi standar mencampuradukkan rata-rata waktu dengan rata-rata ensemble. Untuk proses multiplikatif seperti pertumbuhan kekayaan, rata-rata waktu (apa yang dialami seorang investor tunggal) berbeda dari rata-rata ensemble (rata-rata dari banyak investor). Kriteria Kelly menyelesaikan masalah ini dengan benar dengan memaksimalkan rata-rata waktu (tingkat pertumbuhan geometris), tetapi karya Peters menyoroti bahwa banyak model keuangan konvensional secara implisit mengoptimalkan kuantitas yang salah.

Korelasi serial dalam return, biaya transaksi, dan kendala leverage dan short-selling semakin memperumit penerapan praktis. Fraksi Kelly untuk strategi dengan return yang mean-reverting berbeda dari kasus i.i.d., dan mengabaikan hal ini dapat menyebabkan sizing yang suboptimal.

Kapan Kelly Paling Efektif

Kriteria Kelly paling kuat dalam setting di mana edge terkarakterisasi dengan baik dan permainan diulang berkali-kali. Card counting di blackjack, di mana Thorp pertama kali menerapkannya, adalah contoh kanonik: edge dapat dihitung dengan presisi, permainan diulang ribuan kali, dan distribusi hasil dipahami dengan baik.

Di pasar keuangan, Kelly paling berlaku untuk strategi dengan holding period pendek dan edge yang terestimasi dengan baik: market making frekuensi tinggi, statistical arbitrage dengan sampel besar, dan strategi sistematis dengan track record panjang. Kriteria ini paling tidak berlaku untuk investasi jangka panjang terkonsentrasi di mana ketidakpastian parameter mendominasi.

Kontribusi abadi kriteria Kelly bukan formulanya sendiri tetapi kerangka berpikir yang disediakannya. Position sizing bukan pertimbangan tambahan; ia sama pentingnya dengan sinyal itu sendiri. Ukuran taruhan optimal bergantung pada rasio edge terhadap varians, bukan pada edge saja. Over-betting jauh lebih berbahaya daripada under-betting. Dan tingkat pertumbuhan geometris, bukan expected return aritmetis, yang menentukan kekayaan jangka panjang.