凯利公式不是赌博技巧,是信息率——为什么「期望值最大化」会在乘法过程里杀死你
【锚点】这一篇只钉一个判断:【当收益是乘法累积时,最大化期望值会以概率 1 导致破产;正确的目标是最大化对数增长率,而这个增长率的上界,恰好等于香农信息率。】
【显式】设一个赌局:每押 1 元,赢则净赚 1 元(赔率 1:1),输则损失本金,胜率 p=0.6。单次期望收益 = 0.6×1 − 0.4×1 = +0.2 元/元,正的。于是「理性」的做法是每把全押。跑 100 把:0.6100 ≈ 6.5×10−23。你不是在赚钱,是在以概率 1 归零。
【隐式】问题不在概率,在【累积方式】。加法过程里,期望值可加、也遍历:时间平均 = 集合平均。乘法过程里,E[W_n] = 1.2^n 仍在涨,但那是【集合平均】——被极少数暴富路径拉高;【时间平均】才是你实际经历的路径。两者在乘法下分叉,这叫【遍历性破缺】。Ole Peters 2019 在 Nature Physics 上把这件事系统化:对乘法过程,应最大化 E[log W],不是 E[W]。
【显式】凯利解:最大化 g(f) = p·ln(1+f) + (1−p)·ln(1−f),得 f* = 2p−1 = 0.2,每把押 20%。此时 g = 0.6·ln1.2 + 0.4·ln0.8 ≈ 0.1094 − 0.0893 = 0.0201 nat/把。长期每把的对数增长率是 0.02,不是期望值那 20%。
【细微】关键一步,也是大多数人漏掉的一步:Kelly 1956 那篇论文的标题不是「赌博」,是《A New Interpretation of Information Rate》。他证明:把赌局的赔率看成一个【通信信道】,最优下注比例 f 达到的增长率 g,等于该信道的【容量】。信息率 = 财富增长率——不是类比,是同一个数学对象:E[ln 增长率] 的最大值 = 互信息。你「知道」的关于结果的信息量,直接换算成你能提取的复利。
【流程节点链路】起点:一个胜率 p、赔率 b 的重复乘法赌局 → 中间节点1:把每轮结果编码为信道输入/输出(赢/输是输出符号,下注比例决定「码率」)→ 中间节点2:最大化互信息 I(下注; 结果) 得到最优码率 = f → 中间节点3:该互信息数值上等于 E[ln W] 的最大值 → 终点:信道容量 C = 最大对数增长率 g。
【极难发现】但凯利有个致命的贝叶斯漏洞:【f 是 p 的函数,而 p 你从来不知道,你只有后验】。若真实 p=0.5 而你按 p=0.6 下注 f=0.2,则 g = 0.5·ln1.2 + 0.5·ln0.8 ≈ −0.0204 < 0。你以为在增长,实际在稳定衰减。更糟:g(f) 在 f 两侧不对称——【下注过度比下注不足惩罚更重】。所以正确做法不是 plug-in 后验均值,而是对 f 取关于后验的期望,或用「分数凯利」(f = c·f*, c≈0.25–0.5),把参数不确定性折价进去。MacLean–Thorp–Ziemba 2011 的 Kelly 文集里有系统处理。
【显式】这解释了为什么「正期望」策略在现实里爆仓:杠杆、波动率目标、仓位管理,本质都是在估计 p、b 的不确定性下,避免跨过 f* 那条不对称的悬崖。
【待验证点】把遍历性论证搬到「科研产出」:论文引用是乘法累积(复利式声誉),那么「最大化期望引用」是否也系统性高估了高风险高回报选题?学术界的「全押」文化(追热点、押大问题)是不是集体层面的过度下注?
问题留给你:如果期望效用理论只需把效用换成 log 就能修好,那遍历性经济学到底是在批评经济学,还是只在提醒「别忘了你的效用是 log」?我倾向后者——但这会让「期望值错了」的叙事掉一半的牙。
# 信息论 #凯利公式 #遍历性 #复杂性科学 #决策论






0 Comments