凯利公式

凯利准则

凯利准则（Kelly Criterion）表面上是一个仓位公式，实质上则是一个关于随机动态系统中资本如何最优增长的问题：当具有统计优势的风险机会可以被重复利用时，投资者应该把多少比例的财富暴露于该风险，才能使财富的长期复合增长率达到最大。

我希望从一个统一的视角展开这个问题。首先从离散重复下注说明为什么长期投资的自然目标不是算术期望收益，而是期望对数财富；随后把财富过程嵌入随机微分方程（Stochastic Differential Equation, SDE）框架，通过 Itô 引理（Itô’s lemma）得到连续时间对数财富动力学；接着在几何布朗运动（Geometric Brownian Motion, GBM）市场中推导连续时间 Kelly 解；最后将这一结果置于 Merton 投资组合问题（Merton portfolio problem）中，说明 Kelly 为什么恰好对应于对数效用投资者，以及风险厌恶、协方差结构、参数估计误差和现实约束如何系统地改变理论最优仓位。

1. 从期望收益到长期复合增长

1.1 动机：为什么单期正期望不足以定义长期最优

设投资者当前财富为 $W_t$，某一时期收益率为 $R_t$，则财富按照

\[W_{t+1}=W_t(1+R_t)\]

演化。经过 $T$ 期以后，

\[W_T=W_0\prod_{t=1}^{T}(1+R_t).\]

这已经揭示了长期投资问题与普通单期决策之间的根本差异：财富是一个乘法系统，而不是加法系统。如果只最大化 $E[R_t]$，我们优化的是单期算术收益，却没有直接优化最终财富。

这种区别在高波动环境中尤其重要。两个策略可能具有完全相同的算术平均收益，却因为收益路径的波动不同而产生截然不同的终值财富。因此，长期资本配置首先需要寻找一个与乘法财富结构相容的目标函数。

1.2 直觉：对数把乘法财富转化成加法增长

假设第一期资产上涨 $50\%$，第二期下跌 $50\%$。算术平均收益为零，但财富变化为

\[1\times1.5\times0.5=0.75.\]

投资者实际上损失了 $25\%$。原因在于损失与恢复并不对称：财富下跌 $50\%$ 后，需要上涨 $100\%$ 才能回到原点。

对财富取对数以后，

\[\log W_T = \log W_0 + \sum_{t=1}^{T}\log(1+R_t).\]

原来的乘法系统被转换为加法系统。于是，长期复利增长问题自然对应于研究平均对数增长

\[\frac{1}{T}\log\frac{W_T}{W_0}.\]

这也是为什么 Kelly 理论从一开始就围绕对数财富，而不是算术收益建立。

1.3 形式化：增长最优目标

在独立同分布并满足适当可积条件的离散模型中，长期增长目标可以写成

\[\max E[\log(1+R)].\]

如果决策变量是仓位 $f$，收益依赖于仓位，则问题成为

\[\max_f E[\log(1+R(f))].\]

这里出现的 期望对数效用（expected logarithmic utility）并不仅仅是一项主观风险偏好假设。对数函数还承担了把跨期乘法财富转化为可加增长率的结构性作用。

1.4 推演与易错点：期望财富与典型财富不是同一个对象

一个尤其重要的区别是 $E[W_T]$ 与 $E[\log W_T]$。某些高杠杆策略可能具有极高的期望终值财富，因为少量极端成功路径能够显著抬高算术均值；与此同时，大多数实际路径的财富却可能很低。对数目标降低了极端右尾对目标函数的支配程度，并对接近破产的状态施加强烈惩罚。

因此，“最大化期望财富”和“最大化长期典型增长率”不是同一个优化问题。Kelly 解决的是后者。

2. 离散二元模型中的经典 Kelly 比例

2.1 动机：如何把统计优势转化为仓位

设一个机会只有成功与失败两种结果。成功概率为 $p$，失败概率为 $q=1-p$。每投入 $1$ 单位本金，成功时获得 $b$ 单位净利润，失败时损失投入本金。如果只知道这个机会具有正期望，我们仍然不知道应该投入财富的 $5\%$、$20\%$ 还是 $80\%$。

2.2 直觉：仓位同时放大优势和损失

设每次投入财富比例 $f$。成功时财富乘数为 $1+bf$，失败时财富乘数为 $1-f$。增加 $f$ 会更充分地利用正期望，但失败状态下剩余资本也会更少。

因此，最优仓位必然来自两股力量的平衡：优势带来的增长收益与亏损带来的复利惩罚。

2.3 形式化：经典公式

单期对数增长率的期望为

\[g(f) = p\log(1+bf) + q\log(1-f).\]

在经典不可做空且一次失败不能使财富为负的模型中，可行域通常取 $0\leq f<1$。对 $f$ 求导得到

\[g'(f) = \frac{pb}{1+bf} - \frac{q}{1-f}.\]

令 $g’(f)=0$，可得

\[\boxed{ f^* = \frac{bp-q}{b} = p-\frac{q}{b} }.\]

由于

\[g''(f) = -\frac{pb^2}{(1+bf)^2} - \frac{q}{(1-f)^2} <0,\]

目标函数在其定义域内严格凹，因此内部解唯一。

2.4 推演与易错点：胜率不是优势本身

若 $p=0.6$ 且 $b=1$，则 $f^*=0.2$，即理论 Kelly 仓位为财富的 $20\%$。但这里最容易产生的误解，是把 $p$ 直接理解成仓位的主要决定因素。真正相关的是胜率与赔率的联合关系。

另一个常见错误来自 $b$ 的定义。这里的 $b$ 是净赔率，而不是包含本金返还后的总回报倍数。如果投入 $1$，成功后获得本金 $1$ 加净利润 $2$，则应取 $b=2$。

这一离散模型已经包含了 Kelly 的全部核心逻辑，但量化金融中的资产收益并不存在固定的“赢一次”和“输一次”。要进入连续时间投资，我们需要把资产和财富都写成随机过程。

3. 随机微分方程与连续时间财富过程

3.1 动机：离散下注无法描述连续交易资产

股票、期货和其他流动资产在交易时间内持续波动。若我们希望研究动态再平衡、杠杆和连续复利，就必须从离散递推式进入随机微积分。

连续时间模型的核心对象不再是 $W_{t+1}/W_t$，而是瞬时财富变化 $dW_t/W_t$。

3.2 直觉：确定漂移叠加随机扩散

最基本的金融随机过程可以理解为两个部分的叠加：一个确定性的平均增长趋势与一个均值为零、尺度随时间平方根增长的随机扰动。

设 $B_t$ 为布朗运动（Brownian motion），则在一个极短时间间隔 $dt$ 内，其增量 $dB_t$ 满足

\[E[dB_t]=0\]

以及

\[E[(dB_t)^2]=dt.\]

因此，项 $\sigma dB_t$ 可以用来表示瞬时随机波动，而 $\mu dt$ 描述平均漂移。

3.3 形式化：GBM 市场

设风险资产价格 $S_t$ 满足

\[\frac{dS_t}{S_t} = \mu dt+\sigma dB_t,\]

其中 $\mu$ 是资产的瞬时期望收益率，$\sigma>0$ 是瞬时波动率。

无风险资产 $M_t$ 满足

\[\frac{dM_t}{M_t}=r\,dt,\]

其中 $r$ 为连续复利无风险利率。

若投资者始终将财富比例 $\pi$ 投入风险资产，剩余比例 $1-\pi$ 投入无风险资产，则在无交易成本、连续再平衡并允许借贷的理想模型下，财富过程 $X_t$ 满足

\[\frac{dX_t}{X_t} = \left[ r+\pi(\mu-r) \right]dt + \pi\sigma dB_t.\]

这里的 $\pi$ 可以大于 $1$。例如 $\pi=2$ 表示风险资产敞口为财富的 $200\%$，相应地无风险资产权重为 $-100\%$，即通过借贷形成杠杆。

3.4 推演与易错点：价格漂移不等于对数增长率

GBM 中的 $\mu$ 是 $S_t$ 的算术瞬时漂移，而不是 $\log S_t$ 的漂移。由于随机过程存在二次变差，二者相差一个波动修正项。

这一区别正是连续时间 Kelly 推导中最关键的数学来源。如果直接把财富漂移 $r+\pi(\mu-r)$ 当成长期复合增长率，就会遗漏波动造成的增长损耗。

4. Itô 引理与连续时间 Kelly

4.1 动机：如何得到真实的财富复合增长率

财富 SDE 描述的是 $X_t$，但 Kelly 优化的是 $\log X_t$。在普通微积分中，我们可能直接写 $d\log X=dX/X$，但在随机微积分中这是错误的，因为 $(dX)^2$ 与 $dt$ 处在同一个数量级。

因此必须使用 Itô 引理。

4.2 直觉：随机波动会产生二阶漂移修正

普通微积分会忽略二阶无穷小，但布朗运动满足 $(dB_t)^2=dt$ 的 Itô 计算规则。因此，随机扩散项经过非线性函数变换后，会产生确定性的二阶修正。

对于对数函数而言，这个修正恰好表现为负的方差项，也就是连续时间版本的波动拖累。

4.3 形式化：对数财富 SDE

对于一般过程

\[dX_t=a_tX_tdt+b_tX_tdB_t,\]

对 $f(X)=\log X$ 应用 Itô 引理，

\[df(X_t) = f'(X_t)dX_t + \frac{1}{2}f''(X_t)(dX_t)^2.\]

由于 $f’(X)=1/X$ 且 $f’‘(X)=-1/X^2$，有

\[d\log X_t = \frac{dX_t}{X_t} - \frac{1}{2} \frac{(dX_t)^2}{X_t^2}.\]

代入投资组合财富过程，

\[\frac{dX_t}{X_t} = \left[ r+\pi(\mu-r) \right]dt + \pi\sigma dB_t,\]

并利用 $(dB_t)^2=dt$，得到

\[d\log X_t = \left[ r+\pi(\mu-r) -\frac{1}{2}\pi^2\sigma^2 \right]dt + \pi\sigma dB_t.\]

因此，对数财富的瞬时期望增长率为

\[g(\pi) = r+\pi(\mu-r) -\frac{1}{2}\pi^2\sigma^2.\]

对 $\pi$ 求导，

\[g'(\pi) = \mu-r-\pi\sigma^2.\]

令 $g’(\pi)=0$，得到连续时间 Kelly 解

\[\boxed{ \pi^* = \frac{\mu-r}{\sigma^2} }.\]

由于

\[g''(\pi)=-\sigma^2<0,\]

该解为唯一全局最大值。

需要区分的是：模型内部的解可以是精确的，但模型对真实市场的描述仍然可能只是近似。跳跃风险、随机波动率、交易成本、融资利差和流动性危机都会破坏经典 GBM 假设。

5. GBM 下的解析财富分布

5.1 动机：最优长期增长不等于低短期风险

知道 Kelly 仓位以后，还需要理解其财富路径。一个策略即使最大化长期增长率，也可能具有非常高的有限期限亏损概率。

这也是 Full Kelly 在实务中经常显得过于激进的原因。

5.2 直觉：最大化漂移与控制分布宽度是不同目标

在 GBM 中，对数财富本身服从正态分布。增加仓位 $\pi$ 一方面提高对数财富的平均漂移，另一方面也使其标准差按照 $|\pi|$ 线性放大。

Kelly 选择的是平均对数增长率的最高点，而不是终值财富方差的最低点。

5.3 形式化：终值财富的分布

对对数财富 SDE 从 $0$ 积分到 $T$，得到

\[\log\frac{X_T}{X_0} = \left[ r+\pi(\mu-r) -\frac{1}{2}\pi^2\sigma^2 \right]T + \pi\sigma B_T.\]

由于 $B_T\sim N(0,T)$，

\[\log\frac{X_T}{X_0} \sim N \left( g(\pi)T, \pi^2\sigma^2T \right).\]

因此财富中位数为

\[\operatorname{Median}\left(\frac{X_T}{X_0}\right) = e^{g(\pi)T},\]

而算术期望财富为

\[E\left[\frac{X_T}{X_0}\right] = \exp \left( [r+\pi(\mu-r)]T \right).\]

两者的差异正是 lognormal 分布右偏性和波动修正的体现。

5.4 推演与易错点：期望财富可以随着过度杠杆继续上升

在纯 GBM 且无破产边界的模型中，只要 $\mu>r$，$E[X_T]$ 会随着 $\pi$ 增大而不断提高，因为

\[E[X_T] = X_0e^{[r+\pi(\mu-r)]T}.\]

但对数增长率

\[g(\pi) = r+\pi(\mu-r)-\frac{1}{2}\pi^2\sigma^2\]

最终会因为二次波动惩罚而下降。

这清楚说明了为什么最大化期望财富会倾向于无限杠杆，而最大化长期复合增长则产生有限仓位。

6. 数值实验：Full Kelly、Half Kelly 与过度下注

6.1 动机：把抽象公式转换为风险数量级

考虑一个具有以下参数的风险资产：

\[\mu=10\%,\qquad r=2\%,\qquad \sigma=20\%.\]

超额收益率为 $8\%$，方差为 $0.04$。我们希望研究不同杠杆水平对长期增长和有限期限风险的影响。

6.2 直觉：Kelly 点两侧并不对称

连续时间 Kelly 仓位为

\[\pi^* = \frac{0.10-0.02}{0.20^2} = 2.\]

因此 Full Kelly 对应 $200\%$ 风险资产敞口。Half Kelly 则为 $\pi=1$，即不使用杠杆，全部财富投入风险资产。

增长率函数为

\[g(\pi) = 0.02+0.08\pi-0.02\pi^2.\]

这是一个开口向下的抛物线，其顶点位于 $\pi=2$。

6.3 形式化：不同杠杆水平的结果

对于若干仓位水平，有：

策略	$\pi$	年化期望对数增长率 $g(\pi)$	年化对数波动率 $|\pi|\sigma$	十年财富中位数倍数
无风险资产	$0$	$2%$	$0%$	$1.221$
Half Kelly	$1$	$8%$	$20%$	$2.226$
Full Kelly	$2$	$10%$	$40%$	$2.718$
$1.5\times$ Kelly	$3$	$8%$	$60%$	$2.226$
$2\times$ Kelly	$4$	$2%$	$80%$	$1.221$

Full Kelly 的年化期望对数增长率为

\[g(2) = 0.02+2(0.08)-\frac{1}{2}(2^2)(0.20^2) = 0.10.\]

Half Kelly 为

\[g(1)=0.08.\]

而两倍 Kelly，即 $\pi=4$，得到

\[g(4)=0.02.\]

它的超额对数增长优势已经完全消失，只剩无风险增长率。

6.4 推演与易错点：Full Kelly 的长期最优不意味着较低亏损概率

设投资期限为十年。对于 $\pi>0$，

\[P(X_T<X_0) = \Phi \left( -\frac{g(\pi)\sqrt{T}}{\pi\sigma} \right),\]

其中 $\Phi$ 是标准正态分布函数。

在上述参数下，Half Kelly 十年后财富低于初始本金的概率约为 $10.3\%$，而 Full Kelly 对应的概率约为 $21.5\%$。这并不矛盾：Full Kelly 优化的是长期平均对数增长，而不是固定期限内亏损概率。

甚至对于 $\pi=4$，十年后低于初始财富的概率已经接近 $46.8\%$。这说明均值、增长率、中位数和下行概率是四个不同的统计对象，不能互相替代。

7. 分数 Kelly 的连续时间解释

7.1 动机：为什么实务中往往主动偏离理论最优点

理论 Full Kelly 假设 $\mu$、$\sigma$ 和模型结构均被正确知道。现实中最难估计的恰恰是 $\mu$，而仓位对预期超额收益的估计误差非常敏感。

因此，投资者通常不会直接使用 $\pi^*$，而采用

\[\pi=c\pi^*,\]

其中 $0<c<1$。

7.2 直觉：Kelly 顶点附近的增长函数相对平坦

由于 $g(\pi)$ 是二次函数，在最大点附近少配置一些仓位只会造成二阶增长损失，但可以显著降低扩散波动率。

因此，从增长率角度看，少下注一点的代价通常小于过度下注。

7.3 形式化：增长保留比例

令 $\pi=c\pi^*$。相对于无风险增长率，Kelly 的最大超额增长为

\[g(\pi^*)-r = \frac{1}{2} \frac{(\mu-r)^2}{\sigma^2}.\]

代入 $c\pi^*$ 后，

\[g(c\pi^*)-r = \frac{(\mu-r)^2}{\sigma^2} \left( c-\frac{c^2}{2} \right).\]

因此增长保留比例为

\[\frac{g(c\pi^*)-r}{g(\pi^*)-r} = 2c-c^2.\]

当 $c=1/2$ 时，

\[2c-c^2 = \frac{3}{4}.\]

Half Kelly 在这一模型中保留了 $75\%$ 的最大超额对数增长，但只承担 Full Kelly 一半的扩散波动率。

7.4 推演与易错点：分数 Kelly 不只是“更保守”

分数 Kelly 可以被理解为对参数不确定性的隐式惩罚。如果 $\mu$ 只是估计量 $\hat{\mu}$，则直接使用

\[\hat{\pi} = \frac{\hat{\mu}-r}{\hat{\sigma}^2}\]

会把预测误差线性映射到杠杆误差。

因此，降低 $c$ 也是在承认模型置信度有限。它并没有改变 Kelly 的数学逻辑，而是在“已知参数”的理论解与“未知真实世界”的实施仓位之间加入一层稳健缓冲。

8. 从 Kelly 到 Merton：连续时间最优投资问题

8.1 动机：Kelly 是否只是一个特殊仓位规则

连续时间 Kelly 的目标是最大化 $E[\log X_T]$。但经济学和资产配置理论通常从更一般的效用函数出发。一个自然问题是：如果投资者并不是对数效用，那么连续时间最优仓位是什么？

这正是 Merton 连续时间投资问题所解决的核心问题之一。

8.2 直觉：Kelly 对应一个特定的财富曲率

不同投资者对财富损失的敏感程度不同。在效用理论中，这种敏感度可以由效用函数的曲率表示。曲率越高，投资者越不愿意承担财富波动，因此最优风险敞口越低。

Kelly 的对数效用并不是一般风险偏好的唯一选择，而是一个特殊风险厌恶水平。

8.3 形式化：终值财富 Merton 问题

考虑财富过程

\[\frac{dX_t}{X_t} = \left[ r+\pi_t(\mu-r) \right]dt + \pi_t\sigma dB_t.\]

投资者在所有可行动态策略 $\pi_t$ 中选择一个策略，使

\[V(t,x) = \sup_{\pi} E_{t,x} \left[ U(X_T) \right]\]

达到最大。

这里 $V(t,x)$ 称为价值函数（value function）。根据动态规划原理，它满足Hamilton–Jacobi–Bellman 方程（HJB equation）

\[0 = V_t + \max_{\pi} \left\{ x[r+\pi(\mu-r)]V_x + \frac{1}{2} x^2\pi^2\sigma^2V_{xx} \right\},\]

终端条件为

\[V(T,x)=U(x).\]

对 $\pi$ 求一阶条件得到

\[x(\mu-r)V_x + x^2\pi\sigma^2V_{xx} = 0.\]

因此

\[\pi^* = - \frac{(\mu-r)V_x} {\sigma^2xV_{xx}}.\]

这个公式揭示了风险资产仓位与价值函数曲率之间的直接关系。

8.4 推演与易错点：Kelly 是随机控制问题的特殊解

如果我们定义相对风险厌恶为

\[\gamma = -\frac{xV_{xx}}{V_x},\]

那么最优仓位可以写成

\[\pi^* = \frac{\mu-r}{\gamma\sigma^2}.\]

因此，连续时间 Kelly 不是与 Merton 理论平行的另一套模型，而是其中一个特殊情形。当 $\gamma=1$ 时，恰好恢复

\[\pi^*_{\mathrm{Kelly}} = \frac{\mu-r}{\sigma^2}.\]

9. CRRA 效用与 Kelly 的特殊地位

9.1 动机：如何给风险厌恶一个稳定且可扩展的参数

在资产配置理论中，一个常见要求是风险偏好不随绝对财富水平改变。也就是说，财富从一百万增长到一千万以后，投资者仍然愿意把相同百分比的财富配置到风险资产，而不是维持固定金额的风险头寸。

这对应于常数相对风险厌恶效用（Constant Relative Risk Aversion, CRRA）。

9.2 直觉：风险厌恶参数控制 Kelly 仓位的缩放比例

CRRA 投资者可以被理解为在 Kelly 仓位的基础上乘以一个风险厌恶缩放因子。风险厌恶越高，风险仓位越低；风险厌恶低于一时，则仓位甚至会超过 Kelly。

因此，Kelly 可以被看作整个 CRRA 投资者族中的基准点。

9.3 形式化：Merton–CRRA 解

CRRA 效用函数定义为

\[U(x) = \frac{x^{1-\gamma}}{1-\gamma}, \qquad \gamma>0,\quad \gamma\neq1.\]

其相对风险厌恶系数恒为

\[-\frac{xU''(x)}{U'(x)} = \gamma.\]

在常参数 GBM 市场中，Merton 风险资产比例为

\[\boxed{ \pi^*_{\mathrm{Merton}} = \frac{\mu-r}{\gamma\sigma^2} }.\]

当 $\gamma\to1$ 时，CRRA 效用的适当极限为

\[U(x)=\log x,\]

因此

\[\pi^*_{\mathrm{Merton}} \longrightarrow \frac{\mu-r}{\sigma^2} = \pi^*_{\mathrm{Kelly}}.\]

换言之，Kelly 对应于相对风险厌恶系数恰好为 $1$ 的连续时间 Merton 投资者。

9.4 推演与易错点：Half Kelly 与风险厌恶之间存在直接映射

在参数完全相同的 Merton 模型中，如果 $\gamma=2$，则

\[\pi^* = \frac{1}{2} \pi^*_{\mathrm{Kelly}}.\]

因此 Half Kelly 可以形式上对应于相对风险厌恶系数为 $2$ 的 CRRA 投资者。若 $\gamma=4$，则风险敞口为四分之一 Kelly。

10. 带消费的 Merton 问题

10.1 动机：投资者并不是只在终点消费财富

单纯最大化终值财富隐含了投资者只关心 $T$ 时刻的资本。现实中，投资者通常一边投资一边消费。因此，更完整的 Merton 问题需要同时决定风险投资比例和消费率。

10.2 直觉：投资决策控制财富的增长风险，消费决策控制财富流出的速度

连续时间投资者面对两个控制变量：$\pi_t$ 决定风险资产敞口，$c_t$ 决定当前消费。两者共同影响未来可投资财富。

最优策略需要在当前效用和未来财富之间动态平衡。

10.3 形式化：投资—消费随机控制

财富过程写为

\[dX_t = \left[ rX_t+\pi_tX_t(\mu-r)-c_t \right]dt + \pi_tX_t\sigma dB_t.\]

一个典型目标为

\[\sup_{\pi,c} E \left[ \int_0^T e^{-\rho t}U(c_t)\,dt + e^{-\rho T}\kappa U(X_T) \right],\]

其中 $\rho$ 是主观贴现率，$\kappa$ 描述终值财富的重要程度。

对应 HJB 方程中同时出现对 $\pi$ 和 $c$ 的最大化：

\[0 = V_t + \max_{\pi,c} \left\{ U(c) + [r x+\pi x(\mu-r)-c]V_x + \frac{1}{2}\pi^2x^2\sigma^2V_{xx} -\rho V \right\}.\]

对于 $\pi$ 的一阶条件仍然给出

\[\pi^* = - \frac{(\mu-r)V_x} {\sigma^2xV_{xx}}.\]

在 CRRA 和常参数条件下，其风险资产比例仍然简化为

\[\pi^* = \frac{\mu-r}{\gamma\sigma^2}.\]

10.4 推演与易错点：消费改变价值函数，但不一定改变风险资产比例

在经典常参数 CRRA Merton 模型中，最优消费率与贴现率、期限和终值效用权重有关，但风险资产比例仍由超额收益、方差和相对风险厌恶系数决定。

这是一项高度依赖模型结构的结论。如果投资机会集随时间变化、劳动收入不可交易、市场不完备或存在交易成本，那么投资策略与消费策略通常会发生更复杂的耦合。

11. 多资产连续时间 Kelly

11.1 动机：资产之间的相关性不能被逐资产 Kelly 忽略

实际 Quant 组合几乎不会只包含一个风险资产。如果分别对每项资产使用

\[\frac{\mu_i-r}{\sigma_i^2}\]

然后直接拼接权重，就完全忽略了资产之间的协方差。真正的多资产 Kelly 必须在整个协方差结构上同时优化。

11.2 直觉：投资者应该购买独立风险溢价，而不是重复购买同一风险

如果两个资产高度正相关，它们很可能暴露于相同风险因子。即使单独观察时都具有较高预期收益，把两者同时大比例持有仍可能只是重复下注。

相反，一个预期收益一般但与其他资产相关性较低的资产，可能显著提高整个组合的增长率。

11.3 形式化：向量 SDE 与矩阵 Kelly

设有 $n$ 个风险资产，其收益过程满足

\[\frac{d\mathbf{S}_t}{\mathbf{S}_t} = \boldsymbol{\mu}\,dt + \mathbf{A}\,d\mathbf{B}_t,\]

其中 $\boldsymbol{\mu}$ 为期望收益向量，$\mathbf{A}$ 为波动率矩阵，且

\[\Sigma = \mathbf{A}\mathbf{A}^{\top}\]

是资产收益的协方差矩阵。

设风险资产权重向量为 $\mathbf{w}$，则财富过程为

\[\frac{dX_t}{X_t} = \left[ r+ \mathbf{w}^{\top} (\boldsymbol{\mu}-r\mathbf{1}) \right]dt + \mathbf{w}^{\top}\mathbf{A}\,d\mathbf{B}_t.\]

对 $\log X_t$ 使用 Itô 引理：

\[d\log X_t = \left[ r+ \mathbf{w}^{\top} (\boldsymbol{\mu}-r\mathbf{1}) - \frac{1}{2} \mathbf{w}^{\top} \Sigma \mathbf{w} \right]dt + \mathbf{w}^{\top}\mathbf{A}\,d\mathbf{B}_t.\]

于是多资产增长率为

\[g(\mathbf{w}) = r+ \mathbf{w}^{\top} (\boldsymbol{\mu}-r\mathbf{1}) - \frac{1}{2} \mathbf{w}^{\top} \Sigma \mathbf{w}.\]

一阶条件为

\[\boldsymbol{\mu} -r\mathbf{1} -\Sigma\mathbf{w} = 0.\]

如果 $\Sigma$ 正定，则

\[\boxed{ \mathbf{w}^* = \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf{1}) }.\]

11.4 推演与易错点：逆协方差矩阵同时是理论核心和数值弱点

$\Sigma^{-1}$ 会自动根据资产相关结构调整权重。这正是多资产 Kelly 优于逐资产 Kelly 的原因。

但同样因为存在 $\Sigma^{-1}$，如果两个资产高度共线，协方差矩阵就可能接近奇异。此时微小估计误差会产生极端多空头寸。因此，未经正则化的样本均值—协方差 Kelly 在现实 Quant 组合中通常非常不稳定。

12. 多资产数值示例：相关性如何改变最优杠杆

12.1 动机：观察协方差矩阵在真实计算中的作用

考虑两个风险资产，参数为

\[\boldsymbol{\mu} = \begin{bmatrix} 0.08\\ 0.12 \end{bmatrix}, \qquad r=0.02.\]

设波动率分别为 $15\%$ 与 $25\%$，相关系数为 $0.30$。

12.2 直觉：第二个资产收益更高，但波动也更高

如果只观察单资产 Sharpe ratio，第一个资产为

\[\frac{0.08-0.02}{0.15}=0.40,\]

第二个资产也为

\[\frac{0.12-0.02}{0.25}=0.40.\]

两个资产拥有相同的单资产 Sharpe ratio，但这并不意味着它们应该获得相同权重，因为要考虑的是协方差。

12.3 形式化：求解矩阵 Kelly

协方差矩阵为

\[\Sigma = \begin{bmatrix} 0.15^2 & 0.30(0.15)(0.25)\\ 0.30(0.15)(0.25) & 0.25^2 \end{bmatrix} = \begin{bmatrix} 0.0225 & 0.01125\\ 0.01125 & 0.0625 \end{bmatrix}.\]

超额收益向量为

\[\boldsymbol{\mu}-r\mathbf{1} = \begin{bmatrix} 0.06\\ 0.10 \end{bmatrix}.\]

因此

\[\mathbf{w}^* = \Sigma^{-1} \begin{bmatrix} 0.06\\ 0.10 \end{bmatrix} \approx \begin{bmatrix} 2.0513\\ 1.2308 \end{bmatrix}.\]

风险资产总权重约为

\[2.0513+1.2308=3.2821.\]

也就是说，理论 Full Kelly 要求约 $328\%$ 的风险资产总敞口，并通过约 $228\%$ 的净借款进行融资。

最优超额增长率为

\[\frac{1}{2} (\boldsymbol{\mu}-r\mathbf{1})^{\top} \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf{1}) \approx0.1231.\]

因此总期望对数增长率约为

\[g^* \approx 0.02+0.1231 = 14.31\%.\]

12.4 推演与易错点：数学最优杠杆往往远高于可实施杠杆

这一结果非常典型。只要假设风险溢价稳定、融资成本恒定、收益符合扩散模型且参数已知，Kelly 经常给出相当高的杠杆。

但 Quant 实务恰恰无法接受这些假设完全成立。风险溢价可能衰减，相关性可能在危机中上升，融资成本可能跳升，保证金制度可能触发去杠杆。因此，解析 Kelly 更适合作为一个“无约束增长基准”，而不是直接下单的最终仓位。

如果投资者使用 CRRA 参数 $\gamma=4$，则 Merton 权重变为

\[\mathbf{w}_{\gamma=4} = \frac{1}{4}\mathbf{w}_{\mathrm{Kelly}} \approx \begin{bmatrix} 0.5128\\ 0.3077 \end{bmatrix},\]

风险资产总权重约为 $82.1\%$。同一个市场机会，在不同风险偏好或仓位收缩机制下可以产生完全不同的实施组合。

13. Sharpe Ratio、Kelly 与最大增长率

13.1 动机：建立策略质量与资本规模之间的联系

Quant 研究通常先评价 alpha 或策略的风险调整收益，再决定资本配置。夏普比率（Sharpe Ratio）描述机会质量，而 Kelly 则进一步回答这种机会值得配置多少风险资本。

13.2 直觉：Sharpe 高意味着增长机会好，但仓位仍取决于波动尺度

若两个策略 Sharpe 相同，一个波动率为 $5\%$，另一个波动率为 $20\%$，它们的风险调整质量相同，但 Kelly 杠杆不同。低波动策略需要更高名义杠杆才能获得相同风险敞口。

13.3 形式化：增长率与 Sharpe 平方

单资产 Sharpe ratio 为

\[SR = \frac{\mu-r}{\sigma}.\]

Kelly 比例可写为

\[\pi^* = \frac{SR}{\sigma}.\]

将其代入增长函数，

\[g^* = r+ \frac{1}{2} \frac{(\mu-r)^2}{\sigma^2},\]

因此

\[\boxed{ g^* = r+\frac{1}{2}SR^2 }.\]

也就是说，在经典 GBM 模型中，可实现的最大超额对数增长率为 Sharpe ratio 平方的一半。

13.4 推演与易错点：经验 Sharpe 并不等于真实可持续 Sharpe

如果一个策略的 Sharpe 是通过有限样本估计得到的，那么把样本 Sharpe 直接平方会放大估计偏差。更加严重的是，卖波动、信用套利或流动性提供策略可能在正常时期表现出较高 Sharpe，却隐藏显著跳跃风险。

因此，Kelly 对 Sharpe 的平方依赖进一步说明了为什么 alpha estimation 和 tail modeling 对增长最优问题如此重要。

14. 参数不确定性：Kelly 的实际核心难题

14.1 动机：理论最优公式往往比参数本身精确得多

无论使用

\[\pi^* = \frac{\mu-r}{\sigma^2}\]

还是

\[\mathbf{w}^* = \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf{1}),\]

我们都隐含假设 $\mu$、$\sigma$ 和 $\Sigma$ 已知。

现实中这些量只能估计。特别是期望收益，通常具有远高于波动率的统计噪声。

14.2 直觉：Kelly 是一个“信号除以风险”的放大器

如果真实超额收益只有 $4\%$，但模型估计为 $8\%$，仓位可能直接被高估一倍。换言之，当投资者错误地相信自己拥有更强的 alpha 时，Kelly 会把认知错误转换为真实杠杆。

这解释了为什么 Full Kelly 对 model risk 极为敏感。

14.3 形式化：估计误差的仓位传导

暂时假设 $\sigma$ 已知。真实 Kelly 为

\[\pi^* = \frac{\mu-r}{\sigma^2},\]

估计 Kelly 为

\[\hat{\pi} = \frac{\hat{\mu}-r}{\sigma^2}.\]

因此

\[\hat{\pi}-\pi^* = \frac{\hat{\mu}-\mu}{\sigma^2}.\]

预期收益误差会被 $1/\sigma^2$ 放大。在多资产问题中，误差进一步通过 $\Sigma^{-1}$ 放大：

\[\hat{\mathbf{w}}-\mathbf{w}^* = \Sigma^{-1} (\hat{\boldsymbol{\mu}}-\boldsymbol{\mu}).\]

如果 $\Sigma$ 的最小特征值很小，某些方向的预测误差会被逆矩阵极度放大。

14.4 推演与易错点：更长历史样本不一定意味着更准确的未来参数

增加样本长度能够降低平稳模型中的采样误差，但金融市场往往存在 regime change、risk premium decay 和结构性断点。十年前的数据可以增加统计样本量，也可能同时降低样本对当前市场状态的相关性。

因此，真正的问题不只是 estimation error，还包括模型不确定性（model uncertainty）。Quant 版 Kelly 的重点由此从“求解析解”转向“控制解析解对错误输入的敏感性”。

15. Bayesian Kelly 与预测分布

15.1 动机：未知参数不应被伪装成确定参数

传统 Kelly 使用一个确定的 $\mu$。但如果我们只有有限数据，那么合理的对象不是单一参数，而应该是参数的概率分布。

这引出贝叶斯 Kelly（Bayesian Kelly）。

15.2 直觉：仓位应该反映 alpha 的置信度

两个策略都估计具有 $8\%$ 超额收益，但一个基于一万次独立观测，另一个只基于二十次观测。直接使用相同 $\hat{\mu}$ 会给出相同 Kelly 仓位，但显然忽略了估计置信度。

贝叶斯框架允许我们把这一不确定性带入未来收益预测。

15.3 形式化：后验预测增长优化

设市场参数为 $\theta$，数据为 $D$，则后验分布为

\[p(\theta\mid D).\]

未来收益的后验预测分布为

\[p(R_{t+1}\mid D) = \int p(R_{t+1}\mid\theta) p(\theta\mid D) \,d\theta.\]

Kelly 优化变为

\[\max_{\pi} E_{R\mid D} \left[ \log(1+\pi R) \right].\]

更一般地，

\[\max_{\pi} E_{\theta\mid D} E_{R\mid\theta} \left[ \log(1+\pi R) \right].\]

15.4 推演与易错点：Bayesian 并不自动意味着保守

如果先验非常激进，或者收益模型本身错误，贝叶斯推断仍然可以产生激进仓位。真正发挥风险收缩作用的，是 posterior uncertainty 对预测分布尾部的影响，而不是“Bayesian”这一标签本身。

因此，贝叶斯 Kelly 的重点不只是用后验均值替换样本均值，而是对完整 posterior predictive distribution 进行增长优化。

16. Robust Kelly 与约束优化

16.1 动机：有些模型风险无法可靠地概率化

如果投资者连参数误差的概率分布都无法可信估计，就不能简单依赖 Bayesian prior。另一种方法是规定参数可能出现的范围，并要求策略在合理的坏情形下仍然保持可接受表现。

这形成稳健 Kelly（Robust Kelly）。

16.2 直觉：不是只为最可能世界优化，而是避免在稍微错误的世界中崩溃

假设模型认为超额收益为 $8\%$，但研究者认为合理区间可能是 $3\%$ 至 $10\%$。完全按照 $8\%$ 配置杠杆意味着把点估计当成事实。

稳健优化则会问：如果真实参数处于可信区域内最不利的位置，这个仓位是否仍然合理？

16.3 形式化：min-max 增长问题

设参数不确定集合为 $\mathcal U$，则可以定义

\[\max_{\mathbf w} \min_{\theta\in\mathcal U} E_\theta \left[ \log \frac{X_T}{X_0} \right].\]

在二次多资产框架下，如果只考虑均值不确定性，可以写为

\[\max_{\mathbf w} \min_{\boldsymbol{\mu}\in\mathcal U_\mu} \left\{ \mathbf w^\top (\boldsymbol{\mu}-r\mathbf1) - \frac12 \mathbf w^\top\Sigma\mathbf w \right\}.\]

实际组合还通常加入杠杆和头寸约束，例如

\[\|\mathbf w\|_1\leq L_{\max},\]

或者

\[w_i^{\min}\leq w_i\leq w_i^{\max}.\]

16.4 推演与易错点：现实 Kelly 往往是受约束最优而非解析最优

一旦存在做空限制、融资上限、行业暴露限制、交易成本或流动性约束，

\[\mathbf w^* = \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf1)\]

通常不再是最终解。

因此 Quant 实务中的 Kelly 更适合被理解为一个 objective，而不是某个固定公式。真正的优化对象是“在现实可行域内最大化期望对数增长”。

17. 跳跃风险与 GBM Kelly 的边界

17.1 动机：真实市场并不是连续扩散过程

GBM 的一个核心性质是价格路径连续，因此它不存在瞬时崩盘。真实金融市场却可能发生 overnight gap、信用违约、流动性断裂和跳跃。

高杠杆策略对这些事件尤其敏感。

17.2 直觉：方差只能描述连续波动，不能完整描述破产状态

如果资产每天通常波动很小，但存在极低概率一次下跌 $80\%$，历史年化波动率可能仍然看起来可控。然而对于高杠杆 Kelly 策略，这一跳跃事件可能直接使财富接近甚至跨过零边界。

因此，$\sigma^2$ 并不是所有风险的充分统计量。

17.3 形式化：带跳跃的财富约束

如果资产具有跳跃项，可以形式化写成

\[\frac{dS_t}{S_{t^-}} = \mu dt + \sigma dB_t + J\,dN_t,\]

其中 $N_t$ 是跳跃计数过程，$J$ 是随机跳跃幅度。

当投资比例为 $\pi$ 时，一次跳跃后的财富乘数包含

\[1+\pi J.\]

为了保持财富严格为正，需要几乎处处满足

\[1+\pi J>0.\]

如果存在最坏下跌幅度 $J_{\min}<0$，则必须有

\[\pi<-\frac{1}{J_{\min}}.\]

这一破产边界在纯 GBM 中不存在。

17.4 推演与易错点：扩散 Kelly 往往高估可承受杠杆

只使用历史波动率估计 $\sigma$ 并代入 $\pi^*=(\mu-r)/\sigma^2$，实际上默认了收益风险能够由连续二阶矩充分描述。

对于短波动、信用、相对价值、carry 和高杠杆套利策略，真正决定可持续 Kelly 的往往不是日常波动率，而是尾部状态下的财富跳跃。

18. 回撤约束与生存约束

18.1 动机：长期最优必须建立在能够活到长期的前提上

Kelly 具有优良的渐近增长性质，但现实投资者面对的是有限资本、保证金制度和资金赎回。一个在无限期限内最优的策略，如果中途触发 margin call，也没有机会实现其渐近优势。

因此增长目标通常需要与路径风险约束联合使用。

18.2 直觉：最终财富不是唯一状态变量

基金经理可能同时关心当前净值相对于历史高点的距离。即使终值分布良好，如果路径中经历 $60\%$ 回撤，也可能因为投资者赎回或风险委员会限制而被迫停止。

这使最大回撤（maximum drawdown）成为与终值财富不同的风险对象。

18.3 形式化：风险约束 Kelly

一个典型形式为

\[\max_{\pi} E[\log X_T]\]

subject to

\[P(D_{\max}>d)\leq\alpha,\]

其中 $D_{\max}$ 是最大回撤。

另一种形式是生存概率约束：

\[P \left( \inf_{0\leq t\leq T}X_t<X_{\min} \right) \leq\alpha.\]

也可以直接通过降低 Fractional Kelly 系数 $c$ 来近似控制路径风险，但这通常不如显式约束精确。

18.4 推演与易错点：不破产不等于风险可接受

理论财富始终大于零并不意味着策略具有现实可实施性。一个从 $100$ 跌至 $20$ 的策略在数学上仍然存活，但需要上涨 $400\%$ 才能恢复。

因此，Kelly 的“生存”概念必须与实际 institution constraints 区分。真正可实施的增长最优策略通常是风险约束后的 Kelly，而不是无约束解析解。

19. Kelly、Merton 与 Quant Portfolio Construction 的统一视角

19.1 动机：把多个看似独立的理论放进同一框架

走到这里，我们已经依次遇到 Kelly、GBM、Itô calculus、Sharpe ratio、Merton、CRRA、均值—协方差结构、Bayesian estimation 和 robust optimization。这些概念并不是彼此孤立的。

它们实际上都围绕同一个问题展开：如何根据风险资产的条件分布和投资者的目标函数确定资本暴露。

19.2 直觉：预测模型产生机会集，优化器把机会集转换成仓位

一个现代 Quant 投资系统可以被抽象成两层。第一层负责估计

\[p(\mathbf R_{t+1}\mid\mathcal I_t),\]

即在当前信息集 $\mathcal I_t$ 下未来收益的条件分布。第二层则利用这个分布决定资本权重。

如果目标是增长最优，则优化器解决

\[\max_{\mathbf w} E \left[ \log \left( 1+\mathbf w^\top\mathbf R_{t+1} \right) \mid \mathcal I_t \right].\]

19.3 形式化：从无约束 Kelly 到现实组合

理想连续时间模型给出

\[\mathbf w_{\mathrm{Kelly}} = \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf1).\]

Merton–CRRA 给出

\[\mathbf w_{\mathrm{Merton}} = \frac{1}{\gamma} \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf1).\]

Fractional Kelly 给出

\[\mathbf w_{\mathrm{frac}} = c\Sigma^{-1} (\boldsymbol{\mu}-r\mathbf1).\]

现实 Quant 组合则更接近

\[\max_{\mathbf w\in\mathcal C} \left\{ \widehat{\mathbf w^\top\boldsymbol{\mu}} - \frac12 \mathbf w^\top \widehat{\Sigma} \mathbf w - \operatorname{TC}(\mathbf w) - \operatorname{Penalty}(\mathbf w) \right\},\]

其中 $\mathcal C$ 表示可行域，$\operatorname{TC}$ 表示交易成本，$\operatorname{Penalty}$ 可以代表模型风险、集中度、杠杆、换手或尾部风险惩罚。

19.4 推演与易错点：Kelly 最重要的贡献是目标函数，而不是某个固定数字

如果只记住

\[f^*=\frac{bp-q}{b}\]

或者

\[\pi^*=\frac{\mu-r}{\sigma^2},\]

实际上只掌握了 Kelly 理论最表层的解析结果。真正重要的是其背后的目标：

\[\max E[\log X_T].\]

离散赔率模型、GBM、Merton、Fractional Kelly、多资产组合和稳健优化，都可以被理解为围绕这一目标，在不同市场结构、风险偏好和约束条件下产生的不同数学实现。

20. 结论

Kelly Criterion 的理论路径可以被压缩为一条非常紧密的逻辑链。财富首先是一个乘法随机过程，因此长期投资不能只研究算术平均收益；对数转换将乘法财富转化为加法增长率，由此得到最大化 $E[\log X_T]$ 的增长最优目标。在离散二元环境中，这一目标产生经典解

\[f^* = \frac{bp-q}{b}.\]

进入连续时间以后，风险资产由 GBM

\[\frac{dS_t}{S_t} = \mu dt+\sigma dB_t\]

描述。财富过程经过 Itô 引理转换为

\[d\log X_t = \left[ r+\pi(\mu-r)-\frac12\pi^2\sigma^2 \right]dt + \pi\sigma dB_t,\]

从而精确得到

\[\pi^* = \frac{\mu-r}{\sigma^2}.\]

当问题进一步推广到一般效用最大化时，Merton HJB 方程给出

\[\pi^* = \frac{\mu-r}{\gamma\sigma^2},\]

于是 Kelly 被识别为 $\gamma=1$ 的对数效用特例。在多资产环境中，这一结构自然变为

\[\mathbf w^* = \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf1),\]

而一般 CRRA 投资者则使用

\[\mathbf w^* = \frac1\gamma \Sigma^{-1} (\boldsymbol{\mu}-r\mathbf1).\]

从数学金融的角度看，这几条公式的意义并不是告诉我们现实世界存在一个可以精确计算的“正确配置”。恰恰相反，它们提供了一个基准，使我们能够精确识别现实复杂性来自哪里：如果实际仓位明显低于解析 Kelly，那么差异可能来自参数估计误差、随机投资机会集、尾部跳跃、交易成本、融资约束、流动性限制、回撤控制或投资者自身的风险厌恶。

因此，在 Quant Portfolio Construction 中，最成熟的 Kelly 思维并不是“估计 alpha，然后除以 variance”，而是把仓位理解为预测优势、协方差结构、模型可信度、尾部风险和资本约束的联合函数。解析 Kelly 给出的不是交易指令，而是理论参考基准线。真正的量化投资工作，发生在这条理论基准与不完美现实之间。