凱利準則：從第一性原理推導最適部位管理

核心要點

凱利準則提供了一個數學上最適的規則，用於確定投注和投資組合部位的大小，以最大化長期財富。該準則源自資訊理論，能夠精確告知投資者在任何具有正期望值的機會中應投入多少比例的資本。全凱利方案最大化財富的幾何成長率，但由於估計誤差和肥尾效應使得全凱利在實際市場中過於激進，實務者幾乎普遍使用分數凱利（通常為半凱利）。

從資訊理論到最適投注

1956年，貝爾實驗室的物理學家John Larry Kelly Jr.發表了一篇論文，悄然改變了嚴肅的賭徒和投資者對部位管理的思維方式。Kelly並非在研究金融，而是基於Claude Shannon關於通訊信道的基礎研究進行資訊理論研究。他的洞見非常精妙：具有優勢的賭徒面臨的問題與透過雜訊信道傳輸資訊的問題在數學上是等價的。

Kelly (1956)提出了一個簡單的問題：如果你在重複的賭注中擁有優勢，每次應該下注資金的多少比例才能最大化財富的長期成長率？這個如今被稱為凱利準則的答案精確得令人驚訝。

對於以機率p獲勝、機率q = 1 - p失敗的簡單二元賭注，獲勝時取得b比1的賠付，最適下注比例為：

f* = (bp - q) / b

這個公式有一個優美的解釋。分子bp - q是每投注一美元的期望優勢。除以b使得下注大小與賠付倍率成反比；賠付越高，每個結果的變異數越大，因此需要以更小的比例下注。

硬幣翻轉範例

假設有一枚正面朝上機率為60%的硬幣，賠付為1比1（b = 1）。你的優勢真實但適度。應該下注資金的多少比例？

應用凱利公式：f* = (1 x 0.60 - 0.40) / 1 = 0.20

凱利告訴你每次下注當前資金的20%。不是50%，不是5%，精確地是20%。

為什麼不能下注更多？因為幾何複利的數學原理決定了過度下注會摧毀財富。如果你在60/40的硬幣上下注資金的50%，儘管擁有正的優勢，你最終將會破產。變異數壓倒了優勢。經過一系列的贏輸之後，你的資金遵循一條由報酬率的幾何平均決定長期命運的路徑，而非算術平均。

以凱利最適的20%下注進行100次擲硬幣後，期望的幾何成長率約為每次下注2%。經過1,000次後，初始的1,000美元通常會成長到超過300,000美元。如果以50%下注在同一枚硬幣上，你很可能最終擁有的資金比開始時更少。

幾何成長率為何重要

凱利準則最大化財富的期望對數值，這等價於最大化幾何成長率。算術報酬率和幾何報酬率之間的這一區別對於理解凱利準則為何有效至關重要。

Latané (1959)從投資組合理論的角度獨立地得出了同一原理，主張投資者應最大化投資組合報酬率的幾何平均。他的推理很直接：在較長的投資期限內，具有最高幾何成長率的投資組合幾乎必然會主導所有其他投資組合。

報酬率的算術平均可能具有誤導性。一個先取得100%收益再虧損50%的投資組合，其每期算術平均報酬率為25%，但投資者最終恰好回到原點。幾何平均(2.0 x 0.5) = 1.0正確地反映了零成長。

這種收益與損失之間的不對稱性被稱為變異數拖累。對於任何給定的算術平均報酬率，變異數越高，幾何平均越低。其關係近似為：

幾何平均 = 算術平均 - 變異數 / 2

凱利準則隱含地考慮了這種拖累。它找到使算術優勢減去變異數懲罰最大化的下注大小，從而產生最高的幾何成長率。

從賭注到投資組合

對於具有期望超額報酬率mu（超過無風險利率r）和波動率sigma的單一投資，凱利準則採用連續形式：

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

這個公式具有直覺的結構。期望超額報酬越高，投資越多；波動率越高，投資越少。最適部位大小與期望報酬率成線性比例，但與波動率的平方成反比。波動率翻倍會使最適部位縮減為四分之一，而非二分之一。

考慮一檔期望報酬率為12%、無風險利率為4%、年度波動率為20%的股票。凱利最適配置為：

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

凱利表示應將槓桿提高至資本的200%投資於這檔股票。這一結果立即揭示了全凱利的力量和危險：理論最適值常常要求大多數投資者感到恐懼的激進槓桿，而這種恐懼是有充分理由的。

分數凱利的必要性

數學家Edward Thorp以卡牌計數法擊敗二十一點而聞名，隨後經營了極為成功的對沖基金Princeton Newport Partners，成為凱利準則在實務中最具影響力的倡導者。但Thorp同樣堅定地主張一項關鍵修正：永遠不要使用全凱利。

Thorp (2006)認為分數凱利，通常下注凱利最適金額的一半，在實務中因幾個原因而遠遠優於全凱利。

第一，參數不確定性。凱利公式假設你精確知道獲勝機率和賠付倍率。實際上，這些參數是帶有誤差的估計值。高估優勢會導致過度下注，這是災難性的。如果你的真實優勢只有估計值的一半，基於錯誤估計的全凱利會使你處於真實凱利比例的兩倍，深入幾何成長率變為負值的危險區域。

第二，變異數縮減。全凱利在投資組合價值上產生巨大波動。全凱利下對數財富路徑的標準差大得驚人。半凱利實現了全凱利成長率的75%，但變異數僅為一半。對於大多數投資者來說，這一權衡具有壓倒性的優勢。

第三，回撤管理。全凱利下的最大回撤在連續時間中理論上是無界的。半凱利下，期望回撤大幅減小。Thorp記錄了自己的交易中根據對優勢估計的信心程度使用0.1到0.5範圍內的凱利比例。

一般的分數凱利方法是將最適下注乘以0到1之間的係數c：

f_actual = c x f*

在c = 0.5（半凱利）時，犧牲約25%的長期成長率，同時將波動率降低50%。在c = 0.25（四分之一凱利）時，犧牲約44%的成長率，但將波動率降低75%。分數凱利下的成長率為：

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

這是一個在c = 1（全凱利）處達到最大值、在c = 2（雙倍凱利）處等於零的二次函數。下注超過凱利金額的兩倍會產生負的幾何成長率；在足夠長的時間內必然破產。

過度下注的危險

凱利理論中最重要的實務教訓是下注不足與過度下注之間的災難性不對稱。

如果下注凱利金額的一半，你取得最適成長率的75%。如果下注凱利金額的兩倍，成長率為零，等同於完全不下注。如果超過雙倍凱利，成長率變為負值，破產成為必然。

這種不對稱具有深遠的含義。導致下注不足的估計誤差相對無害：你錯失了一些成長，但財富仍然正向複利。導致過度下注的誤差則可能是毀滅性的：過度下注的懲罰遠比下注不足的懲罰嚴峻。

這就是為什麼經驗豐富的凱利實務者總是傾向於保守。過於保守的代價是適度的。過於激進的代價是破產。

多資產凱利：投資組合版本

對於包含多種資產的投資組合，凱利準則使用共變異數矩陣進行擴展。Thorp (2006)提出了多資產公式，MacLean, Thorp, Ziemba (2011)提供了權威的教科書級處理。

如果mu是期望超額報酬率向量，Sigma是共變異數矩陣，則凱利最適投資組合權重為：

f* = Sigma^(-1) x mu

這與風險趨避係數為1（對應對數效用）的均值-變異數最適投資組合完全相同。這種關聯並非巧合：當報酬率服從常態分配時，最大化財富的期望對數等價於使用與凱利對應的特定風險趨避參數進行均值-變異數最適化。

多資產公式揭示了凱利自然地實現分散化。期望報酬率高的資產取得較大權重，但共變異數矩陣確保高度相關的資產不會被過度加權。投資組合版本的凱利實際上是均值-變異數理論中切線投資組合的最適槓桿版本。

與對數效用的關聯

凱利準則等價於最大化財富的期望對數效用。擁有對數效用函數U(W) = ln(W)的投資者在最適化單期投資組合問題時，將恰好得到凱利公式。

這種關聯提供了理論基礎。對數效用具有幾個吸引人的性質：它是唯一使最適策略具有近視性（獨立於投資期限）的效用函數，並且生成一個在長期內幾乎必然優於所有其他策略的成長最適投資組合。

然而，對數效用也意味著特定水準的風險趨避。風險趨避程度高於對數效用所隱含水準的投資者應該下注少於凱利，這又回到了作為實務預設選擇的分數凱利。

實際投資組合部位管理範例

考慮一位投資者評估一個系統性股票動量策略，其估計特徵如下：期望年度超額報酬率6%，年度波動率15%，無風險利率4%。

該策略的全凱利比例為：

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

全凱利建議將槓桿提高至資本的267%。這非常激進。在半凱利（c = 0.5）下，配置為133%。在四分之一凱利（c = 0.25）下，為67%，大多數機構投資者會認為這是合理的水準。

期望幾何成長率如下：

全凱利：g = 0.06 - (0.15)^2 / 2 = 高於無風險利率年化4.88%

半凱利：g = 0.5 x 0.06 - 0.25 x (0.15)^2 / 2 = 高於無風險2.72%

四分之一凱利：g = 0.25 x 0.06 - 0.0625 x (0.15)^2 / 2 = 高於無風險1.43%

全凱利與四分之一凱利的成長率差異約為每年3.4個百分點。但全凱利投資組合的波動率為40%（2.67 x 15%），而四分之一凱利投資組合的波動率為10%（0.67 x 15%）。對於大多數投資者來說，分數凱利的風險調整後權衡明顯更優。

局限性與批評

凱利準則所依賴的假設在實際市場中只能不完全地得到滿足。

參數不確定性是最根本的問題。該公式要求精確了解期望報酬率和波動率。在實務中，期望報酬率的估計具有巨大的不確定性。一檔股票的期望超額報酬率可能是6%加減8%。在如此寬泛的信賴區間下，凱利比例本身高度不確定，全凱利變得魯莽。

肥尾使連續高斯近似失效。實際市場報酬率表現出遠超常態分配預測的峰度。極端事件的發生頻率高於凱利數學架構的預期。這使得過度下注比標準理論所暗示的更加危險。

Ole Peters (2019)提出的非遍歷性論證提供了更深層的批評。Peters認為標準期望效用架構混淆了時間平均和集合平均。對於財富成長等乘法過程，時間平均（單個投資者的經歷）與集合平均（眾多投資者的平均）不同。凱利準則透過最大化時間平均（幾何成長率）正確地解決了這個問題，但Peters的研究突顯許多傳統金融模型隱含地在最適化錯誤的量。

報酬率的序列相關、交易成本以及槓桿和放空的限制進一步增加了實際應用的複雜性。具有均值回復報酬率的策略其凱利比例與獨立同分配情況不同，忽視這一點可能導致次適的部位管理。

凱利準則最有效的場景

凱利準則在優勢被充分刻畫且博弈重複多次的環境中最為強大。Thorp最先應用的二十一點卡牌計數是典型案例：優勢可以精確計算，博弈重複數千次，結果的分配被充分理解。

在金融市場中，凱利最適用於持有期短且優勢估計充分的策略：高頻造市、大樣本量的統計套利，以及擁有長期績效記錄的系統性策略。對於參數不確定性占主導的集中長期投資，凱利的適用性最低。

凱利準則的持久貢獻不在於公式本身，而在於它所提供的思維架構。部位管理不是事後考量，而是與訊號本身同等重要。最適下注大小取決於優勢與變異數的比率，而非僅取決於優勢。過度下注比下注不足危險得多。決定長期財富的是幾何成長率，而非算術期望報酬率。