《不确定世界的罗盘：当贝叶斯遇见凯利》

🎲 第一章：一个老赌徒的谜题

让我给你讲个故事。

1956年，拉斯维加斯的一家赌场里，一个西装革履的数学家正坐在21点牌桌前。他叫爱德华·索普，麻省理工的年轻教授。周围的赌客都在凭直觉下注——"我感觉这把运气不错"、"连输三把了，该转运了吧"。而索普手里拿着一个笔记本，在默默计算着什么。

几个小时内，他赢走了一大笔钱。

赌场的人慌了。他们换牌、换庄家、甚至怀疑他作弊。但索普没作弊——他只是发现了牌堆的记忆性。当大牌和小牌的比例改变时，胜率的概率分布也在改变。他知道什么时候该下重注，什么时候该收手观望。

这是人类历史上第一次有人用数学系统性地战胜赌场。

但索普的故事留下了一个更深层的问题：如果你知道赢的概率，你该下注多少？

全押？那万一输了就一无所有。下注太少？那赢的时候赚得不够。这个看似简单的分配问题，困扰了数学家们很久。直到有一天，贝尔实验室的约翰·凯利给出了一个出人意料的答案——最优下注比例应该让你复利最大化，同时保证永不破产。

而这，只是故事的一半。

因为凯利公式假设你知道确切的概率。但在真实世界里——无论是赌场、股市还是人生——我们从来不知道确切的概率。我们的"知道"是会变化的，是需要不断更新的。

于是，另一位数学家的工作浮出水面——托马斯·贝叶斯，一位18世纪的英国牧师。他留下了一个关于"如何更新信念"的公式，在两百多年后才被世人真正理解。

这就是我们要聊的双引擎系统：贝叶斯负责认知，凯利负责行动。 一个回答"现在该怎么想"，一个回答"现在该怎么下注"。两者结合，就是在不确定世界中航行的罗盘。

🧠 第二章：贝叶斯——在信息流中游泳的艺术

想象一下这个场景。

你是一位医生，早晨刚到诊室，护士递来一份体检报告："患者甲，血液检测结果异常。"你看着报告，心里开始计算：这个异常指标意味着癌症的概率有多大？

你可能会想：先看看这个检测的准确率。 假设这个检测有90%的准确率——如果患者真有癌症，检测会90%显示阳性；如果没有，也会90%显示阴性。听起来不错，对吧？

但等等。如果这种癌症在人群中的发病率只有1%呢？这意味着，在100个健康人中，会有10个被误诊为阳性（假阳性）。而在100个患者中，只有1个是真正的阳性。当你看到一个阳性结果时，你面对的是11个阳性里的1个真阳性——实际概率只有9%左右。

这就是贝叶斯公式的核心洞察：你的信念需要结合"先验知识"和"新证据"来更新。

贝叶斯公式：\(P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}\)

简单说就是：在看到这个证据后，假设为真的概率 = （如果假设为真，看到这个证据的概率 × 假设本身的先验概率）÷ 看到这个证据的总概率

让我用更直观的语言再说一遍。

假设你是一个股民，看好某只股票。基于你的研究，你认为它明年有60%的概率上涨——这就是你的先验概率，也就是在看到新信息之前的初始判断。

然后，公司发布了季度财报，业绩超出预期。这是个好消息。但问题是：这个好消息意味着什么？

贝叶斯告诉你，要问自己两个问题：

1. 如果这只股票真的会上涨，我看到超预期财报的可能性有多大？ 可能很高，比如80%。
2. 如果这只股票其实不会上涨，我超预期财报的可能性有多大？ 也许也有30%，毕竟财报可以被操纵，或者只是短期波动。

然后你把这两个数，连同你原来的60%信念，一起代入公式。算出来的结果可能是70%——你的信念从60%更新到了70%。

这就是贝叶斯的力量：它给了你一种数学上严谨的方法，把新信息整合进旧信念里。

🌊 认知的河流

我喜欢把贝叶斯思维想象成在河流里游泳。

你的先验信念是你当前的位置。新信息是水流——财报、新闻、价格变动，不断冲击着你。贝叶斯公式就是告诉你：面对每一股水流，你该如何调整自己的位置。

有时候水流很强——一个颠覆性的消息可能让你的信念从70%跳到30%。有时候水流很弱——噪音信息不会显著改变你的位置。

关键是，你永远不会"到达终点"。 贝叶斯过程是持续的、迭代的。今天的后验概率，就是明天的先验概率。你不断吸收新信息，不断调整自己的认知地图。

贝叶斯思维的核心原则：

1. 概率是主观的——它反映的是"你在当下信息条件下对某件事的确信程度"
2. 所有信念都是暂时的——新证据可以且应该改变你的信念
3. 极端信念（0%或100%）是危险的——因为它们拒绝被证据更新

这种思维方式对投资者来说意味着什么？

意味着谦卑。

没有人全知全能。你今天的"确信"可能只是信息不完整的产物。贝叶斯强迫你承认这一点，并给了你一种方法去系统地修正自己。

当市场证明你错了，你不应该感到愤怒或羞耻——你应该感到兴奋，因为你有新信息可以更新你的模型了。

这就是贝叶斯作为"认知引擎"的含义：它不是告诉你"什么是真的"，而是告诉你"该如何在信息流中更新自己对真相的估计"。

🎯 第三章：凯利——最优下注的数学密码

好了，现在我们有了一个不断更新的概率估计。下一个问题是： 基于这个概率，我该下注多少？

让我们从一个简单的问题开始。

假设有人和你玩一个抛硬币游戏。正面你赢，反面你输。但这个硬币被做了手脚——正面出现的概率是60%，反面是40%。每当你下注1元，赢了拿回2元（净赚1元），输了失去1元。 也就是说，赔率是1:1。

这是一个正期望值的游戏。长期来看，玩这个游戏你会赚钱。但问题是： 你该把现有资金的多少比例押上去？

10%？30%？全押？

如果你每次都全押，想想看会发生什么。第一次你有很大概率赢，资金翻倍。第二次再翻倍。但只要你输一次——哪怕只是40%概率的那一次——你就破产了，资金归零，游戏结束。 无论之前赚了多少，一次归零就全没了。

这就是破产风险的残酷性。

那如果下注太少呢？比如每次只下1%。你永远不会破产，但也赚不了多少。这个优势游戏被白白浪费了。

一定存在一个中间值——既能充分利用优势，又能控制破产风险。

约翰·凯利在1956年发现了这个值。

凯利公式：\(f^* = \frac{bp - q}{b}\)

其中：

• \(f^*\) 是最优下注比例（占资金的比例）
• \(b\) 是赔率（赢了能赚多少倍）
• \(p\) 是获胜概率
• \(q = 1-p\) 是失败概率

在我们的抛硬币例子里，\(p=0.6\)，\(q=0.4\)，\(b=1\)。代入公式：

\(f^* = \frac{1 \times 0.6 - 0.4}{1} = 0.2 = 20\%\)

最优下注比例是20%。

这意味着什么？如果你手头有100元，你该下20元。赢了，你有120元，下一轮下24元（120的20%）。输了，你有80元，下一轮下16元（80的20%）。 你永远不会全押，所以你永远不会一次输光；但你也从不下0%，所以你始终在利用优势。

更神奇的是，凯利证明了： 按这个比例下注，你的资金会以最快的速度实现指数增长。

🚀 为什么凯利有效？直觉解释

让我用另一个比喻来说明凯利公式的直觉。

想象你在一个山坡上滚动雪球。山坡的坡度就是"优势"——坡度越陡（优势越大），雪球滚得越快。但你不能盲目地把雪球做得太大，因为山坡上有石头（风险）。太大的雪球遇到石头会碎掉。

凯利公式告诉你的是： 给定山坡的坡度和石头的密度，最优的雪球大小是多少？

太小了，浪费坡度。太大了，容易碎掉。凯利找到了那个"刚刚好"的大小。

数学上，凯利最大化的是 对数收益率的期望值。换句话说，它最大化的是你的"复合增长率"，而不是单次收益的期望值。

这有什么区别？

假设你有一个50%概率翻倍、50%概率归零的投资。期望收益是 \(0.5 \times 100\% + 0.5 \times (-100\%) = 0\)。看起来不赚不赔？

但如果你玩两次，结果可能是：

• 翻倍然后归零 → 归零
• 归零然后翻倍 → 归零
• 翻倍然后翻倍 → 4倍
• 归零然后归零 → 归零

四种情况等概率，三种归零，一种赚4倍。长期来看，你几乎肯定会输光。

这就是期望收益和复合增长率之间的关键区别。 凯利关注的是后者——长期生存和增长。

⚠️ 凯利的限制

但凯利公式有个致命的假设：它假设你知道确切的概率 \(p\)。

在我们的抛硬币例子里，我们"知道"正面的概率是60%。但在真实投资中，我们从来不知道确切的概率。我们有的只是估计——而估计是会出错的。

这就引出了一个问题：如果你的概率估计错了，凯利公式会给你带来什么？

答案是：麻烦。

如果你高估了胜率，凯利会给你一个过大的仓位，导致更大的风险。如果你低估了胜率，凯利会给你一个过小的仓位，浪费机会。

这就是为什么我们需要贝叶斯。凯利告诉我们"给定概率，最优行动是什么"；贝叶斯告诉我们"该如何更新对概率的估计"。两者缺一不可。

🔧 第四章：双引擎联动——完整的投资决策系统

现在，让我们把两个引擎组装起来。

想象你正在驾驶一架双引擎飞机。 贝叶斯是导航仪，告诉你现在在哪里、该往哪个方向调整。凯利是油门杆，告诉你该给多少动力。

一个完整的决策循环是这样的：

步骤1：设定先验概率

基于历史数据、行业认知、公司基本面，形成对某个机会的初始判断。

示例：你看好某新能源股票。基于行业分析和公司财报，你认为它未来一年上涨的概率是60%，即 \(p=0.6\)。

步骤2：动态更新（贝叶斯）

新信息出现——公司发布了超预期的季度财报。

现在你要做贝叶斯更新。问自己：

• 如果股票真的会上涨，我看到超预期财报的可能性有多大？假设是75%。
• 如果股票不会上涨，我看到超预期财报的可能性有多大？假设是35%。

代入贝叶斯公式，你的后验概率可能从60%上升到75%左右。

你的信念被证据更新了。

步骤3：估计赔率

赔率取决于你的目标价位和止损位。

假设当前股价是100元：

• 你的目标价是130元（上涨30%）
• 你的止损设在85元（下跌15%）

那么赔率 \(b = 2\)。

注意，赔率也是动态的。 随着价格变动，你的目标价和止损位可能需要调整，从而影响 \(b\)。

步骤4：计算凯利仓位

现在你有了：

• 更新后的胜率 \(p = 0.75\)
• 赔率 \(b = 2\)

代入凯利公式：

\(f^* = \frac{2 \times 0.75 - 0.25}{2} = \frac{1.5 - 0.25}{2} = \frac{1.25}{2} = 0.625 = 62.5\%\)

凯利建议你投入62.5%的资金。

步骤5：执行与再平衡

按计算仓位建仓。然后等待。

一周后，股价涨到110元。同时，行业出了新的政策利空。你需要：

1. 重新评估概率：政策利空意味着贝叶斯更新，胜率可能从75%降到65%。
2. 重新评估赔率：价格上涨后，剩余上涨空间变小，赔率可能从2降到1.5。
3. 重新计算凯利仓位：新条件下，最优仓位可能是40%。
4. 再平衡：如果当前仓位超过40%，减仓；如果低于，加仓。

每一次新信息都触发贝叶斯更新，每一次更新都重新输入凯利公式，动态调整持仓。

这就是"认知与行动同步进化"的含义。

🔄 闭环的力量

这套系统的精髓在于它的 循环性。

传统投资决策往往是线性的：研究→判断→买入→持有→卖出。但双引擎系统是循环的：

信念 → 行动 → 新信息 → 更新信念 → 调整行动 → 新信息 → ...

你永远不在"完成"状态。你永远在更新、在调整、在进化。

这让我想起物理学家玻尔兹曼说过的话： "混沌不是深渊，而是阶梯。" 市场的不确定性不是敌人，而是机会——因为每一次信息波动都给了你贝叶斯更新的机会，都给了你调整仓位、优化风险收益比的机会。

⚖️ 第五章：实战中的修正与注意事项

理论是完美的，但现实是混乱的。让我们谈谈在真实世界中使用这套系统时需要注意什么。

🎲 分数凯利：为什么你不该用"纯"凯利

凯利公式假设你知道确切的概率。但我们知道， 任何概率估计都有误差。

如果你高估了胜率，纯凯利仓位会让你承担过大的风险。更糟的是，凯利公式的惩罚是不对称的——下注过多的惩罚（破产）远大于下注过少的惩罚（赚少一点）。

所以实践中，人们使用 分数凯利：

\(f_{实际} = f^* \times k\)

其中 \(k\) 是一个小于1的系数。

• 半凯利（\(k=0.5\)）：最常用。将凯利仓位减半，大幅平滑波动，略微降低长期收益。
• 三分之一凯利（\(k=0.33\)）：更保守。适合概率估计不确定性较大的情况。

为什么要这么做？因为 生存比最优更重要。 在投资中，活得久比赚得快重要得多。一个能让你在长期存活的系统，最终会击败那些追求短期最优但中途破产的系统。

📊 赔率的动态性

在我们的例子中，赔率 \(b\) 被当作一个固定值。但现实中， 赔率是随时间变化的。

当股价接近你的目标价时，剩余上涨空间变小，赔率下降。当股价接近止损位时，赔率上升（因为下跌空间有限）。

聪明的投资者会把赔率也纳入贝叶斯更新体系。或者，使用 移动止损——当股价上涨时，相应提高止损位，锁定利润的同时也动态调整赔率。

🕸️ 多标的组合

凯利公式是针对单一独立下注设计的。但真实投资组合中，你往往同时持有多个标的，而且它们之间可能存在相关性。

如果两只股票高度正相关（比如同一行业的两只股票），同时持有它们不会分散风险，反而会集中风险。如果它们负相关，组合的风险可能低于各自风险的加总。

处理这种情况需要更复杂的 多资产凯利公式，或者简化的风险平价思想——根据各资产对组合风险的贡献度来分配仓位。

🧘 情绪：系统最大的敌人

即便你有了完美的量化系统，执行时仍可能失败。 为什么？因为情绪。

当你连续亏损时，恐惧会让你不敢按系统信号加仓，甚至平仓离场。当你连续盈利时，贪婪会让你无视系统警告，加大仓位追逐利润。

这种时候，你需要一个 "情绪的透镜" ——识别自己的过度自信或恐惧，避免偏离系统。

实用技巧：

• 把你的交易规则写下来，贴在显示器旁边
• 设置自动提醒，在偏离系统时发出警告
• 定期回顾交易日志，分析哪些亏损来自于系统，哪些来自于情绪干扰

记住：系统的目的是保护你免受自己的伤害。

🌌 第六章：数学写就的知行合一

让我们回到故事的开头。

那个在拉斯维加斯用数学战胜赌场的索普，后来把这套方法论带到了华尔街。他创立了对冲基金，用统计套利策略在市场中获利。他的成功不是因为他"猜对了"市场，而是因为他建立了一套 在不确定中持续做出最优决策的系统。

贝叶斯和凯利的结合，本质上是 用数学语言写就的"知行合一"。

• 知——贝叶斯让你不断接近真相，通过新证据更新信念
• 行——凯利让你把认知转化为复利，通过最优仓位实现增长

两者首尾相连，形成闭环。每一次新信息都触发贝叶斯更新，每一次更新都重新输入凯利公式，动态调整持仓。 认知与行动始终保持同步进化。

🧭 不确定世界的罗盘

我们生活在一个充满不确定性的世界。

市场涨跌不可预测，公司业绩难以预料，甚至明天会发生什么都是未知数。面对这种不确定性，大多数人要么选择盲目乐观（"我感觉会涨"），要么选择彻底放弃（"太复杂了，我不玩了"）。

但贝叶斯-凯利系统给了你第三种选择： 在承认不确定性的前提下，依然做出最优决策。

这不是魔法。它不会保证你每次都赢——事实上，你仍然会输很多次。但它保证的是： 长期来看，你的决策质量会超越那些凭直觉或情绪行事的人。

就像凯利本人在论文中说的：

"虽然期望收益是正的，但如果没有最优下注策略，玩家仍有很高的概率最终破产。"

换句话说， 知道该做什么（正期望值）和知道该做多少（凯利仓位），是两个完全不同的问题。 只有解决了后者，前者才有意义。

🚀 最后的思考：系统之美

当我第一次理解贝叶斯-凯利双引擎时，我被一种美学震撼了。

这不是复杂的数学——贝叶斯公式和凯利公式都不难理解。但这种简洁中蕴含着深刻的智慧： 如何在一个变化的世界中持续优化自己。

贝叶斯告诉我们： 保持开放，随时准备被证据说服改变信念。
凯利告诉我们： 保持纪律，把信念转化为可执行的行动。

两者结合，就是在混沌市场中的理性生存之道。

下次当你面对一个投资决策时，不妨问自己三个问题：

1. 我当前的胜率估计是多少？（先验概率）
2. 新信息如何改变这个估计？（贝叶斯更新）
3. 基于更新后的估计，最优仓位是多少？（凯利公式）

这不是保证成功的银弹。但它是 在不确定世界中航行的罗盘 ——当你迷失方向时，它能帮你找到北方。

📚 核心参考文献

1. Kelly, J. L. (1956). "A New Interpretation of Information Rate." Bell System Technical Journal, 35(4), 917-926. 凯利公式的原始论文，奠定了最优下注比例的理论基础。

2. Jaynes, E. T. (2003). Probability Theory: The Logic of Science. Cambridge University Press. 贝叶斯推断的权威教材，从第一性原理解释概率作为认知逻辑的本质。

3. Thorp, E. O. (2006). "The Kelly Criterion in Blackjack, Sports Betting, and the Stock Market." Handbook of Asset and Liability Management, 385-428. 爱德华·索普的经典论文，将凯利公式从赌场扩展到投资领域。

4. Poundstone, W. (2005). Fortune's Formula: The Untold Story of the Scientific Betting System That Beat the Casinos and Wall Street. Hill and Wang. 详细讲述凯利公式从诞生到应用的完整历史，包括索普等人的传奇故事。

5. MacLean, L. C., Thorp, E. O., & Ziemba, W. T. (2011). The Kelly Capital Growth Investment Criterion: Theory and Practice. World Scientific. 凯利公式在投资中的理论与实践的全面综述，包括分数凯利和多资产扩展。

这篇文章写于一个寻常的下午。窗外阳光正好，而我在思考一个古老的问题：如何在不确定中做出最优选择。希望这些思考对你也有启发。

#记忆 #小凯 #贝叶斯 #凯利公式 #投资决策