提到仓位控制的理论基础,凯利是绕不过去的。 约翰-拉里-凯利于1956年在《贝尔系统技术期刊》中发表了一片文章,其中,提出了著名的凯利公式: C = P/L - (1-P)/W; C 就是理论最佳仓位 P 是当次赌局获胜的概率 L 是如果输,会输多少,是百分比; W 是如果赢,会赢多少,是百分比; 这个公式是被理论证明的,详细推导过程就不细说了。 --------------------------------- 根据公式,C = P/L - (1-P)/W;最佳仓位取决于3个变量:P;L;W。我们先来看看这几个参数,哪个对仓位的影响更大。 先来看P(赢的概率)的影响 C = P/L - (1-P)/W;变换一下: C = P/L -1/W + P/W; C = P*(1/L + 1/W) - 1/W; 所以,很明显,在L和W不变的情况下,最佳仓位C和P之间是线性相关的。 在LW固定的情况下,最佳仓位和赢面之间是线性关系,赢面越大,所押注的仓位比例可以越高。经典的赌局,猜硬币正反面(赔率1赔1),因为输赢概率各50%,凯利说下注的最佳仓位是0%。 再来看L(输时,输的比例)的影响 C = P/L - (1-P)/W; 因为P不可能小于0,所以 (1-P)/W 是永远大于0的。即使到极端情况,W无穷大,C的最大值,也就是 “P/L”。 所以,P和L决定了C的极限,但是P和C的关系是线性的,而L和C的关系是非线性的(1/L),L对最大仓位的影响更大。 简单算一下,因为 C = P/L - (1-P)/W; 假设L=1.0;那么最大的C也只能等于P,即使后面你W再大,也就是减少的少一些而已,但是减少极限就是“不减少”而已,不会增加最大理论仓位 C=P 。 假设L=0.1,那么最大的C,在P相同的情况下,仓位就可以增加10倍 C=10P。 而且,P是有极限的,最大就等于1。但是L如果=0.01的话,C就可以提高100倍。 我们看到,“最佳仓位”与“输的比例”是负相关,“输的比例”越大,仓位越小,而且变化是非线性的。 为了看清输的比例大于0.2之后,两者之间的相互关系(是否变的平坦),我们舍去小于0.2的数据,再画个图。 很明显,输的比例依然和最佳仓位成负相关,依然是非线性。 再来说说W(赢时,赢的比例)的影响 C = P/L - (1-P)/W; 前面已经提到,最大理论仓位有P/L决定,和W没有关系。 当然,在P和L确定的情况下,W自然是越大越好,因为W越大,(1-P)/W就可以越小,仓位就可以越接近 P/L。 实际股票投资中,一般很少能获得超过10的收益,所以W的影响就更小一些。 ------------------------------------ 总结一下,最大仓位的极限由“赢的概率”和“输的比例”决定, maxC = P/L; 因为P和C是线性相关,P有上限1,而L和C之间是1/L的关系,所以L的影响更大, 所以,要问一个投资机会的最佳仓位是多少,请先告诉我最惨的话,我会输多少。 假如一个投资机会中,极端情况下,我会输光,那么即使赢的时候我会赚10000倍,那我也不能满仓。 ------------------------------------ 好了,L影响最大,那么, 在一次给定的投资机会中,怎么来估算 L “输的比例”呢? 个股麻烦,短期暴涨暴跌都有可能,尤其是在美股港股,我们经常看到闪跌超过70%的情况。 C = P/L - (1-P)/W; 假定P=0.5,L=0.7,W即使能赚10倍,那么最大仓位也就是 C = 0.5/0.7-0.5/10 = 66.4% 假定P=0.5,L=0.7,W只能赚1倍(已经不小),那么最大仓位也就是 C = 0.5/0.7-0.5/1 = 21.4% 所以,对于个股,不确定性太大,不存在极限底部一说(一定要说的话,那就是破产退市,底部是0),最大L不能设定的很低,从极端安全的角度来说,任何情况下,都尽量不要满仓。 指数的情况,要好的多。如果指数内包含的股票足够多,足够分散,即使几只股票要破产退市,对指数的影响也是寥寥无几的。。。 而且,不要忘了,对于指数,我们有一个非常坚实的底 - 石头底,号称是指数的叹息之墙,永远不会被跌破喔。
假定这个石头底成立的话,那么L就非常容易确定。 因为L,就等于 = (当前石头指数-1)/(当前石头指数)。 哈,知道我为啥喜欢搞指数了吧,至少我为啥要算石头指数了吧。 -------------------------------------- C = P/L - (1-P)/W; L已知了,P和W怎么估算呢? 石头指数哪里更新呢?
|
|
来自: redwineczy > 《待分类》