AI Kelly 公式仓位管理：下注正确金额

仓位管理往往比入场时机更重要。好的策略配糟糕仓位会爆仓，平庸策略配优秀仓位能存活并复利。Kelly 准则是仓位管理最著名的框架之一。

Kelly 公式

对简单二元下注：

f* = (p * b - q) / b

其中：

• f* = 应下注资本比例
• p = 胜率
• q = 败率 = 1 - p
• b = 平均盈利 / 平均亏损

示例：胜率 60%，赔率 2:1：

p = 0.60
b = 2.0
f = (p * b - (1 - p)) / b
print(f)  # 0.40

完整 Kelly 建议下注 40%。这几乎总是太激进。

分数 Kelly

多数交易者用分数 Kelly 降低波动：

• 半 Kelly：上例中 20%
• 四分之一 Kelly：10%
• 很多系统化交易者用更低

分数 Kelly 牺牲部分理论增长换取更平滑的资金曲线。

用 AI 估计输入

Kelly 难点在于估计 p 和 b。历史均值常过时。AI 可动态估计：

• 从当前市场特征预测胜率
• 从波动率和近期价格行为估计预期赔率
• 根据机制变化调整

例如，模型可能预测当前条件下某突破 setup 胜率 55%、赔率 1.8:1。

实用实现

def kelly_size(capital, win_prob, payoff_ratio, fraction=0.25):
    kelly = (win_prob * payoff_ratio - (1 - win_prob)) / payoff_ratio
    kelly = max(0, kelly)  # 不下负注
    return capital * kelly * fraction
 
position = kelly_size(100000, 0.55, 1.8, fraction=0.25)

这给出基于当前交易估计优势的保守仓位。

多仓位同时持仓的 Kelly

当多个仓位同时持有时，Kelly 公式需要扩展。简单地把每笔交易的 Kelly 结果相加会高估总风险，因为：

• 不同标的之间可能存在相关性
• 同一板块的多头仓位会放大行业风险
• 多策略同时运行可能暴露于相同的市场因子

实务中更安全的做法是：

1. 计算组合层面的总风险预算。
2. 把单个仓位的 Kelly 结果按相关性打折。
3. 设置组合最大回撤和单日最大亏损的硬限制。

例如，如果两个策略的相关系数为 0.6，实际组合风险远高于各自风险之和，仓位应相应降低。

用蒙特卡洛模拟评估

在把 Kelly 应用到实盘前，可以用蒙特卡洛模拟测试不同分数 Kelly 下的资金曲线：

import numpy as np
 
def simulate_kelly(capital, win_prob, payoff, fraction, trades=1000, runs=1000):
    final = []
    for _ in range(runs):
        equity = capital
        for _ in range(trades):
            kelly = max(0, (win_prob * payoff - (1 - win_prob)) / payoff)
            stake = equity * kelly * fraction
            if np.random.random() < win_prob:
                equity += stake * payoff
            else:
                equity -= stake
        final.append(equity)
    return np.percentile(final, [5, 50, 95])
 
# 胜率 55%，赔率 1.8:1，四分之一 Kelly，1000 次交易
print(simulate_kelly(100000, 0.55, 1.8, 0.25))

模拟能揭示：即使在正期望策略下，不同分数 Kelly 仍可能经历严重回撤。

实战案例

假设账户 10 万美元，某 AI 模型对当前 breakout setup 的预测：

• 胜率 p = 0.52
• 赔率 b = 2.0
• 使用半 Kelly

p, b, fraction = 0.52, 2.0, 0.5
kelly = (p * b - (1 - p)) / b  # 0.07
position = 100000 * kelly * fraction  # 3500

该头寸约为账户的 3.5%。如果模型对胜率的估计存在 5% 的误差，仓位应进一步降低，因为 Kelly 对输入误差非常敏感。

Kelly vs 固定比例

固定比例风险如每笔 1% 更简单且通常更安全。Kelly 在以下情况最有用：

• 有大量相似交易
• 不同 setup 的优势差异显著
• 能准确估计概率

如果概率估计错误，Kelly 仓位会放大亏损。

常见错误

• 使用完整 Kelly
• 忽略同时交易的相关性
• 从回测高估胜率
• 将 Kelly 应用于收益分布偏斜的策略

总结

Kelly 准则是思考仓位大小的有力工具，但不是魔法公式。使用分数 Kelly、样本外验证你的优势估计、绝不让单笔交易威胁账户。

相关阅读: AI 风险平价组合 | AI 动态 ATR 止损 | AI 交易风险管理框架