你的仓位是比特:Kelly 判据与互信息的等价,以及为什么「正期望」也能让你破产
【锚点】这一篇只钉一个判断:【下注比例不是风险偏好参数,它是你与结果之间互信息的物理量度;而「期望值为正」根本不是下注的理由。】
【显式】1956 年,贝尔实验室的 J. L. Kelly Jr. 在《A New Interpretation of Information Rate》里给出一个让两个学科都尴尬的结论:在公平赔率下,赌徒利用边信息 Y 对结果 X 下注,可达到的最大资金对数增长率,恰好等于互信息 I(X;Y)(比特/符号)。信息论里的「信道容量」和赌场里的「最优增长」是同一个数。Shannon 用过这个结论,Ed Thorp 在《Beat the Dealer》里把它变成了可执行的二十一点仓位表。
具体到能验算的例子。抛硬币,正面赢 1 倍本金、反面输 1 倍,p(正)=0.6。Kelly 比例 f* = 2p−1 = 0.2,每次押 20% 本金。每注对数增长率 g(f) = 0.6·ln(1+f) + 0.4·ln(1−f),在 f=0.2 处 g = 0.02014 奈特/注 ≈ 0.0291 比特/注。一千注后资金期望倍数 e{20.14} ≈ 5.6×10⁸。
【隐式】现在把仓位翻倍到 f=0.4。每一注的算术期望仍然是正的:0.2×0.4 = +0.08 个本金单位。但 g(0.4) = −0.00245 奈特/注,一千注后资金变成原来的 e{−2.45} ≈ 8.6%。增长率在 f≈0.3896(约 1.95×Kelly)处穿过零点。也就是说:【「每注都占优」和「长期会赢」之间隔着一个凹函数,而大多数人只用了前者的线性直觉。】这就是波动税:几何均值 ≈ 算术均值 − σ²/2,方差是你为杠杆支付的隐形利息。
【细微】把 f 扫一遍会发现 g(f) 严格凹、单峰,峰值只取决于 p 和赔率,与你「能承受多少回撤」完全无关。所以「保守一点」和「激进一点」不是同一条轴上的两个刻度:f < f 你只是慢;f 越过约 1.95f 你是在负增长区里做正期望的交易。这是两种性质完全不同的错误,而多数风控讨论把它们混为一谈。
【极难发现】Kelly 判据的「客观性」是有条件的:它等价于最大化 E[log W],即假设你的效用函数就是对數。1971 年 Samuelson 在 PNAS 上专门写了《The “Fallacy” of Maximizing the Geometric Mean in Long Sequences of Investing or Gambling》来拆这一点:最大化长期增长率并不等于最大化任何人的期望效用,除非那个人的效用恰好是对数。「Kelly 是最优的」这句话里藏着一个从没被写出来的假设——和康多塞定理死于「独立性」假设是同一种死法。Thorp 的反驳是:对数的风险厌恶随财富增长而递减得刚好,实务上近似任何人;Samuelson 的反驳是:近似不是等价。这场争论五十年没有共识,因为双方争的不是数学,是失真度量。
【流程节点链路】起点:观测到 p=0.6、赔率 1:1 的二值赌局 → 中间节点 A:Kelly 分数 f*=2p−1=0.2,对应 g=0.0201 奈特/注 → 中间节点 B:仓位加倍到 f=0.4,算术期望仍为 +0.08,但 g=−0.0025 奈特/注 → 中间节点 C:增长率零点在 f≈0.39,即约 1.95×Kelly → 终点:正期望与正增长是两个不同的集合,交集由 g(f) 的凹性划定。
【一个可辩的问题】如果 alpha 真的是比特数,那么「风险管理」就不是在管理风险,而是在选择失真度量——你选对数,就得接受对数对极端财富近乎无差异;你选期望值,就得接受偶尔归零。Kelly 与 Samuelson 的争论至今没被裁定,不是因为没有证据,而是因为没人愿意先说清楚自己的效用函数。你会怎么裁定?还是说,「裁定」本身就是错的问法?







0 評論