有什么办法能破解凯利公式,凯利公式用来解决什么问题

凯利公式的理解和运用

1、凯利公式的第一目的是控制破产风险，次之才是提高你的资产增长率。2、应用于期货等金融衍生品市场时，需要根据自己的策略做系数修正，特别是修正投注比例（因为金融衍生品市场中价格的影响因素较多，同时也会受到策略和心态的交叉影响）。

在概率论中，凯利公式（也称“凯利方程式”）是一个在期望净收益为正的独立重复赌局中，使本金的长期增长率最大化的投注策略。该公式于1956年由约翰·拉里·凯利（JohnLarryKelly）在《贝尔系统技术期刊》中发表，可以用来计算每次游戏中应投注的资金比例。

凯利公式的介绍

在机率论中，凯利公式（也称凯利方程式）是一个用以使特定赌局中，拥有正期望值之重复行为长期增长率最大化的公式，由约翰·拉里·凯利於 1956 年在《贝尔系统技术期刊》中发表，可用以计算出每次游戏中应投注的资金比例。

怎样利用凯利公式玩压大小

进行掷骰子的实验，然后进行正态分布的检验，图形化理解标准差等概念。

每次掷骰子的可能结果是在[1,6]的范围内的，进行10000次尝试，每次投10000次。

为什么要检验正态分布，因为在频谱派的统计概率分析中，大多数情况都是基于全概率分析，并假设全概率是正态分布的情况下的。

因此当你想对一组数据进行频谱派的概率分析，你优先需要，对基础数据进行分析，并得到正态分布这个前提。

举个例子：股价往往是非正太分布的，因为它并没有一个全概率的范围。但是股票（中国）的收益率是有范围的，范围区间是[-10, 10]之内，而且往往是正态分布的，既然是正态分布的，那么我们就能做很多有趣的概率实验了。

凯利公式

假设赌局1:你赢的概率是60%，输的概率是40%。赢时的净收益率是100%，输时的亏损率也是100%。也即，如果赢，那么你每赌1元可以赢得1元，如果输，则每赌1元将会输掉1元。赌局可以进行无限次，每次下的赌注由你自己任意定。问题：假设你的初始资金是100元，那么怎么样下注，即每次下注金额占本金的百分之多少，才能使得长期收益最大。

对于这个赌局，每次下注的期望收益是下注金额的60% 1-40% 1=20%，期望收益为正。也就是说这是一个对赌客占优的赌局，而且占得优势非常大。

那么我们应该怎么样下注呢？

如果不进行严密的思考，粗略的想象一下，我们会觉得既然我每次赌的期望收益是20%，那么为了实现长期的最大收益，我应该在每次赌博中尽量放入更多比例的本金。这个比例的最大值是100%。

但是显然每一局赌博都放入100%的本金是不合理的，因为一旦哪一次赌博赌输了，那么所有的本金就会全部输光，再也不能参加下一局，只能黯然离场。而从长期来看，赌输一次这个事件必然发生，所以说长期来看必定破产。

所以说这里就得出了一个结论：只要一个赌局存在一下子把本金全部输光的可能，哪怕这个可能非常的小，那么就永远不能满仓。

因为长期来看，小概率事件必然发生，而且在现实生活中，小概率事件发生的实际概率要远远的大于它的理论概率。这就是金融学中的肥尾效应。

继续回到赌局1。

既然每次下注100%是不合理的，那么99%怎么样。如果每次下注99%，不但可以保证永远不会破产，而且运气好的话也许能实现很大的收益。

实际情况是不是这个样子呢？

我们先不从理论上来分析这个问题，我们可以来做个实验。我们模拟这个赌局，并且每次下注99%，看看结果会怎么样。

这个模拟实验非常的简单，用excel就能完成。请看下图：

如上图，第一列表示局数。第二列为胜负，excel会按照60%的概率产生1，即60%的概率净收益率为1，40%的概率产生-1，即40%的概率净收益为-1。第三列为每局结束时赌客所有的资金。这个实验每次下注仓位是99%，初始本金是100，分别用黄色和绿色标出。

大家从图中可以看出，在进行了10局之后， 10局中赢的局数为8，比60%的概率还要大，仅仅输了两次。但即使是这样，最后的资金也只剩下了2.46元，基本上算是输光了。

当我把实验次数加大，变成1000次、2000次、3000次……的时候，结果可想而知了，到最后手中的资金基本上是趋向于0。

既然99%也不行，那么我们再拿其他几个比例来试试看，看下图：

从图中可以看出，当把仓位逐渐降低，从99%，变成90%，80%，70%，60%的时候，同样10局的结果就完全不一样了。从图中似乎可以看出随着仓位逐渐的变小，在10局之后的资金是逐渐变大的。

大家看到这里，就会渐渐的发现这个赌局的问题并不是那么简单的。就算是赌客占优如此之大的赌局，也不是随随便便都能赢钱的。

那么到底怎么下注才能使得长期收益最大呢？

是否就像上图所显示的那样，比例越小越好呢？应该不是，因为当比例变成0的时候显然也不能赚钱。

那么这个最优的比例到底是多少呢？

这就是著名的凯利公式所要解决的问题！

凯利公式

凯利公式是一个特定赌局中，使得拥有正期望值之重复行为长期增长率最大化的公式。公式如下：

其中f为最优的下注比例。p为赢的概率。rw是赢时的净收益率，例如在赌局1中rw=1。rl是输时的净损失率，例如在赌局1中rl=1。注意此处rl0。

根据凯利公式，可以计算出在赌局1中的最有下注比例是20%。

我们可以进行一下实验，加深对这个结论的理解。

如图，我们分别将仓位设定为10%，15%，20%，30%，40%。他们对应的列数分别是D、E、F、G、H。

当我把实验次数变成3000次的时候，如下图：

当我把实验次数变成5000次的时候，如下图：

大家从两幅图中可以看到F列对应的结果最大，和其它列相比压根就不是一个数量级的。而F列对应的仓位比例正是20%。

大家看到凯利公式的威力了吧。在上面的实验中，如果你不幸将比例选择为40%，也就是对应H列，那么在5000局赌博之后，你的本金虽然从100变成了22799985.75，收益巨大。但是和20%比例的结果相比，那真是相当于没赚钱。

这就是知识的力量！

凯利公式理解

凯利公式的数学推导及其复杂，需要非常高深的数学知识，所以在这里讨论也没有什么意义。哎，说白了其实就是我也看不大懂。凯利公式原始的论文pdf链接我会附在文章后面，有兴趣的可以自己去看。

在这里我将通过一些实验，加深大家对凯利公式主观上的理解。

我们再来看一个赌局。赌局2：你输和赢的概率分别是50%，例如抛硬币。赢的时候净收益率为1，即rw=1，输的时候净损失率为0.5，即rl=0.5。也就是说当你每赌一元钱，赢的时候你能再赢1元，输的时候你只要付出去5毛。

容易看出赌局2的期望收益是0.25，又是一个赌客存在极大优势的赌局

根据凯利公式，我们可以得到每局最佳的下注比例为：

也就是说每次把一半的钱拿去下注，长期来看可以得到最大的收益。

下面我要根据实验得出平均增长率r的概念。

首先来看实验2.1，如下两张图：

这两张图都是模拟赌局2做的实验，在第二列的胜负列中，实验会50%的概率产生1，表示盈利100%。50%的概率产生-0.5，表示亏损50%。第三第四列分别是在仓位为100%和50%下每次赌局之后所拥有的资金。

仔细对比两张图可以发现结论一，亦即在经过相同次的局数之后，最后的结果只与在这些局数中赢的局数的数量和输的局数的数量有关，而与在这些局数中赢的局和输的局的顺序无关。例如在上两幅图中，同样进行了4局，同样每幅图中赢了两局输了两局，但是第一张图的输赢顺序是赢输输赢，第二张图的输赢顺序是输赢赢输。它们最终的结果都是一样的。

当然这个结论非常容易证明（乘法交换律，小学生就会），这里就不证明了，上面举的两个例子足够大家很好的理解。

那么既然最终的结果和输赢的顺序无关，那么我们假设赌局2如实验2.2一样进行下去，看下图：

我们假设赌局的胜负是交替进行的，由于结论一，从长期来看这对结果资金没有任何影响。

在自己观察图片之前我们先做一个定义。假设将某几局赌局视为一个整体，这个整体中各种结果出现的频率正好等于其概率，并且这个整体的局数是所有满足条件整体当中局数最小的，那么我们称这个整体为一组赌局。例如在上图的实验中，一组赌局就代表着进行两局赌局，其中赢一次输一次。

仔细观察上图中蓝色标记的数字，它们是一组赌局的结尾。你会发现这些数字是保持着稳定的增长的。当仓位是100%时，蓝色标记数字的增长率是0%，即一组赌局之后本金的增长率为0%。这也解释了当每次都满仓下注的时候，在赌局2中长期来看是无法赚钱的。当仓位是50%（即凯利公式得出的最佳比例）时，蓝色标记数字的增长率是12.5%，即一组赌局之后本金的增长率为12.5%。

这是一个普遍的规律，每组赌局之后的增长率与仓位有关。且每组赌局之后的增长率越大，那么长期来看最终的收益也就越多。

根据每组赌局的增长率可以计算出每个赌局的平均增长率g。在上面的图中，每组赌局之中包含两个赌局，那么每个赌局的平均增长率

其实这个r是可以通过公式算出来的。

凯利公式其他结论——关于风险

凯利传奇（本节内容来自互联网）

凯利公式最初为 ATT 贝尔实验室物理学家约翰·拉里·凯利根据他的同僚克劳德·艾尔伍德·夏农于长途电话线杂讯上的研究所建立。凯利解决了夏农的资讯理论要如何应用于一名拥有内线消息的赌徒在赌马时的问题。赌徒希望决定最佳的赌注金额，而他的内线消息不需完美（无杂讯），即可让他拥有有用的优势。凯利的公式随后被夏农的另一名同僚爱德华·索普应用于二十一点和股票市场中。

索普利用工作之余，通过数个月的艰苦演算，写了一篇题为《“二十一点”优选策略》的数学论文。他利用自己的知识，一夜之间“奇袭”了内华达雷诺市所有的赌场，并成功的从二十一点赌桌上赢得了上万美元。他还是美国华尔街量化交易对冲基金的鼻祖，70年代首创第一个量化交易对冲基金。1962年出版了他的专著《打败庄家》，成为金融学的经典著作之一。

运用展望

如何利用凯利公式在现实生活中赚钱？

那就是要去创造满足凯利公式运用条件的“赌局”。在我看来，这个“赌局”一定是来自金融市场。

近期我一直在做交易系统的研究，对于一个优秀的交易系统来说什么是最重要的？一个期望收益为正的买卖规则占到重要性的10%，而一个好的资金控制方法占到了重要性的40%，剩下的50%是操控人的心理控制力。

而凯利公式正是帮助我进行资金仓位控制的利器。

比如说之前我研究出的一个股票交易系统，该系统每周进行一次交易，每周交易成功的概率是0.8，失败的概率是0.2。当成功的时候可以赚取3%（扣掉佣金，印花税），每次失败时亏损5%。在不知道凯利公式之前，我都是盲目的满仓交易，也不知道我这个仓位设定的对不对，心理很虚。在运用凯利公式之后，计算的最佳的仓位应该是9.33，就是说如果借款利率是0的话想要得到最快的资金增长速度就要使用杠杆交易，通过公式计算得到每次交易的平均增长率r约等于7.44%，而满仓交易的平均资金增长率为r约等于 1.35（其实也就是期望收益）。通过实验模拟之后也发现确实杠杆交易比满仓交易资金增长的速度要快的多。这也让我更好的理解了为什么很多量化投资基金公司需要使用杠杆交易。

当然凯利公式在实际的运用中不可能这么的简单，还有很多的困难需要克服。比如说杠杆交易所需要的资金成本，比如说现实中资金并不是无限可分的，比如说在金融市场并不像上文提到的简单的赌局那么简单。

但是不管怎么样，凯利公式为我们指明了前进的道路。

赌博到最后只有输，无法战胜的“凯利公式”到底是什么？

凯利公式是f*=(bp-q)/b

其中f*=应投注的资本比值

p=获胜的概率（看每一次赌博的玩法而决定，例如抛硬币，硬币只有两面，那么开出每一面的比例都是50%，即0.5，以此类推）

q=失败的概率，即1-p（还是以抛硬币举例，即q是开出你下注的反面的概率）

b =赔率，等于期望盈利÷可能亏损（即盈亏比）

bp-q=期望值，也即我们常说的“赢面”

凯利公式是用于计算在每一次的赌博（下注）时，应该押注多少才能保证自己收益最大化的公式，若果能正确算出f*，并严格按照这个数目下注，你的运气会比对数字一无所知、下注全凭感觉的赌徒更长久一些。但是请记住，所有的赌博游戏，都是对赌徒不利的，只要你一天不远离赌博，等待你的只有输，一切都只是时间问题。

现代正规的赌场，澳门和拉斯维加斯的赌城，靠的都是光明正大地依靠数学规则赚取利润，他们会为赌博游戏设立种种有利于自己的规则，这也是赌场永远不会亏钱的真相。

有人通过这个公式赢钱吗？有，这条公式在华尔街早已得到验证，也被称为“资金管理神器”。除了正式赌场，买股市和期货其实也是一场赌博，只不过它们的q、b和抛硬币一样简单，都是0.5，f*也比较容易算出，因此索罗斯、巴菲特他们都能通过凯利公式来赢钱，起码到现在为止，他们赢的还是比输的多。

继续以抛硬币的例子来说明，假设这个是2赔1的赌局，如果下注1元，开出正面获得2元，反面则输掉1元。因为硬币抛出正反面的概率都是50%,所以获胜和失败的概率（p和b）都是0.5，而赔率等于期望盈利÷可能亏损即2÷1=2。f*=(2×0.5-0.5)÷2=0.25,即25%。

假设你的总资金是1000，那每次拿250出来下注，才能使收益最大化。假设前两盘都不幸输了，第三盘赢了的话，你的总资金还是跟没下注前一样。但是也不能排除你连输四场，直接把资金全输光的可能性。

从这个公式看出，赌博要赢不是不行，但是非常之难，想不输最好的方法就是不赌。

凯利公式的运用

f=[p(m+n)-n]/m

m是盈利金额

n是投入金额

p是获胜概率

f是应该投入的资本占比

1，情况一，f=1

f=1，很多人脑子一热，喜欢投入自己所有的资源、资本甚至生命（比如用命抵债），我们看看什么情况下这样做才是安全的。

假如f=1,根据公式可以推导出，p=1

推导过程如下：

1=[p(m+n)-n]/m

m=p(m+n)-n

m+n=p(m+n)

p=1

也就是说，当且仅当我们有100%的把握获胜的时候，我们才可以压上自己的全部。

但是，未来是不可知的，没有人能够100%的预测未来，也没有人能够保证自己100%的胜利。

所以：永远都不要压上自己的全部。

情况二：假如m,n是常数且m是正数

f=[p(m+n)-n]/m

变换一下形式，得出

f=((m+n)/m)*p-n/m

假如m,n是常数，可以看出p和f是正相关。

翻译成大白话，就是说，如果某个项目或投资的回报率固定，当你对一件事情获胜的把握越大，你就应该用更多的资源在上面。

当然，如果m盈利金额是负数的话，那就是负相关了，这种情况就不适用。

生活启示：这种情况可以作为自己平时是否决定做一件事的判断依据。

比如，在人工智能领域，因为你的很了解，所以你有很大的把握在人工智能领域的一个分支做的不错，那么就应该投入更大的精力和资源去发展。

同样在人工智能领域，同样的方向，你听别人说这个分支领域会发展不错，但是你自己没有把握能够做到很好，那么同样的机会，对于你来说，就不能够向那个有把握的人一样投入更多的精力去做。

巨人集团的倒塌有一个很重要的原因就是发展了太多自己不懂的领域，偏离自己的主业太远，导致大量的投资亏损。

其实有点像大家口头上经常说的一句：多在自己擅长的了解的领域去发展，自己不懂得地方不要随便投入，说的就是这个道理。

情况三，假如p是常数，m/n是变量

m/n就是投资回报倍数，比如投入1元，如果获胜，能够回报2元，那么投资回报倍数就是2。

假设m/n＝x

f=[p(m+n)-n]/m

f=((1+n/m)*p)-n/m

f=(p-1)/x+p

假如我们令p=0.6，也就是有60%的胜率。

那么可以得出：f=-0.4/x + 0.6 ，函数曲线如下：

当投资回报倍数小于66%的时候，f为负值，就是说不建议投入。

假如我们令p=0.9，也就是有90%的胜率。

那么可以得出：f=-0.1/x + 0.9 ，函数曲线如下：

当投资回报倍数小于11%的时候，f为负值，就是说不建议投入。

假如我们令p=0.99，也就是有99%的胜率。

那么可以得出：f=-0.01/x + 0.99 ，函数曲线如下：

当投资回报倍数小于1%的时候，f为负值，就是说不建议投入。

在低获胜概率的情况下(60%)，当投资回报率增长几倍，但是f增长缓慢。

在高概率的情况下（99%），投资回报率几乎只要是正的，f的增长非常明显。

我们可以看出，获胜概率的对投入占比的影响大于投资回报倍数对投入占比的影响。

所以，判定一件事情的是否值得投入，获胜概率是第一要素，回报倍数是第二考虑因素。

初中、高中、大学不知道学了多少公式，从来都没想过公式可以这样用，这几天受到启发，自己写文章思考，没想到能从一个普通的公式中国挖掘出这么多道理和应用，不知道原来都学到哪里去了