Kelly-dimensionering: den sköra bron från fördel till exponering
Förstå logaritmisk tillväxt, skattningsfel och varför en teoretiskt optimal andel kan vara outhärdlig i praktiken.
Optimera rätt storhet
Kelly-dimensionering maximerar förväntad logaritmisk förmögenhet i en angiven modell. Det är ingen metod för att upptäcka om en fördel finns och maximerar inte sannolikheten att tjäna pengar nästa månad. Logaritmer straffar utfall som lämnar liten förmögenhet och fångar förlusternas effekt på ränta-på-ränta. Optimeringen beror fortfarande helt på antagna sannolikheter, utfall och genomförbara positioner.
För en enkel upprepad vadslagning som vinner b enheter per satsad enhet med sannolikheten p och annars förlorar hela insatsen är den obegränsade andelen f = p − (1 − p)/b. Denna formel är inte direkt utbytbar mot en stop-loss-procent eller ett hävstångsinstruments säkerhetskrav. Dess förlustdefinition är en del av modellen, inte en administrativ inställning på en handelsplattform.
Formeln för två utfall bygger på förmögenhetsmultiplikatorer. Med andelen f blir relativ förmögenhet 1 + bf vid vinst och 1 − f vid förlust. Förväntad logaritmisk tillväxt är därför p ln(1 + bf) + (1 − p) ln(1 − f). Derivering och nollställning ger det tidigare optimumet. Förmögenheten måste förbli positiv i varje modellerat utfall; låne- och blankningsbegränsningar ändrar dessutom vilka andelar som är genomförbara.
Små sannolikhetsfel skapar stora dimensioneringsfel
Anta utfall med lika stor vinst som förlust och en uppskattad vinstsannolikhet på 55 %. Formeln ger en andel på 10 %. Om den verkliga sannolikheten är 51 % är modellens optimum bara 2 %; om den är under 50 % har en positiv position ingen modellerad fördel. Några procentenheters skattningsfel kan alltså omvandla ett skenbart optimum till betydande överexponering.
En observerad träffprocent är ingen känd sannolikhet. Hundra affärer från överlappande signaler kan innehålla betydligt färre än hundra oberoende observationer. Utfallsfördelningen kan också förändras av avgifter, uteblivna avslut och ovanliga förluster. Beskriv hur uppskattningen tagits fram, dess rimliga osäkerhetsintervall och vilka ogynnsamma utfall som saknas i urvalet innan du överväger ett resultat för positionsstorlek.
Tillväxt innebär inte en uthärdlig resa
En strategi kan ha positiv förväntad logaritmisk tillväxt men ändå drabbas av djupa tillfälliga kapitalnedgångar. Påståenden om lång sikt garanterar inte överlevnad vid ett krav på ytterligare säkerhet, ett uttagsbehov eller en psykologisk gräns. En investerare med ett nära förestående kontantbehov har inte den obegränsade tidshorisont som många förenklade demonstrationer antar.
Fraktionell Kelly skalar ned den beräknade positionen, ofta för att minska känslighet och nedgång, men andelen är inget universellt säkerhetsintyg. Hälften av ett kraftigt överskattat optimum kan fortfarande vara för mycket. Forskning om riskbegränsade Kellyformuleringar gör nedgångsbegränsningar uttryckliga i stället för att anta att ett tillväxtmål automatiskt representerar alla preferenser. Även dessa modeller behåller antaganden som behöver oberoende granskning.
Flera möjligheter delar en balansräkning
Att göra en separat full Kellyberäkning för varje signal kan i det tysta återanvända samma kapital. Samtidiga positioner kan förlora tillsammans och deras gemensamma utfallsfördelning avgör portföljproblemet. Tre affärer kopplade till samma valutachock är inte tre oberoende upprepningar bara för att symbolerna skiljer sig åt.
Praktiska begränsningar omfattar lånekostnader, minsta kontraktsstorlek, koncentrationsgränser och förluster bortom det planerade utträdet. En binär vinst-eller-förlust-modell döljer dessa detaljer. Bygg en scenariotabell för den totala kontoförmögenheten, inklusive korrelerade gap och finansieringsbehov, innan en teoretisk andel omvandlas till enheter. Kontanter reserverade för utgifter eller nödsituationer bör inte lättvindigt behandlas som riskkapital bara för att få en större position att se proportionerlig ut.
Använd formeln som en känslighetsövning
En användbar pedagogisk tillämpning är att beräkna ett intervall av andelar för rimliga sannolikheter och utfall och sedan undersöka hur instabilt svaret blir. Om en måttlig försämring tar bort fördelen är den viktiga slutsatsen skörhet, inte det största talet i tabellen. Negativ modellerad tillväxt är också informativ: minskad exponering kan inte skapa en ekonomisk fördel som saknas efter kostnader.
Håll forskningsosäkerhet åtskild från personlig förmåga att bära förluster. En modell kan vara statistiskt lovande men olämplig för en viss horisont eller finansieringslösning. Dokumentera mål, antaganden och bindande begränsningar tillsammans. Syftet med övningen är att avslöja vad som måste antas för att en position ska vara motiverad, inte att producera en auktoritativ procentsats som ersätter omdöme.
Granska förlustmodellen innan du väljer kapitalandel
Initialt säkerhetskrav är inte maximal förlust. Ett instrument som kräver 1 000 dollar i säkerhet kan förlora 3 000 genom ett prisgap innan positionen stängs. Att behandla det som ett vad med högst 1 000 i förlust byter problem. Samma fel uppstår om avståndet till en stopporder behandlas som en avtalsmässigt garanterad förlustgräns.
Med tio procent av aktuell förmögenhet per försök lämnar tio raka förluster 0,9¹⁰ ≈ 34,9 procent av startkapitalet. Nedgången är cirka 65,1 procent och återhämtning kräver cirka 186,8 procents tillväxt. Med två procent återstår cirka 81,7 procent och återhämtningen kräver cirka 22,4 procent. Beräkningarna gäller givna förlopp, inte sannolikheten att de inträffar.
Om storleken räknas om efter varje utfall spelar roll. Tio procent av aktuellt kapital ger mindre dollarbelopp efter förluster. Ett fast belopp på 100 dollar från ett startkonto på 1 000 är en annan process: efter fem förluster motsvarar insatsen 20 procent av återstoden. En andel beräknad en gång följd av fast belopp simulerar inte löpande proportionell storlek. Minsta handelsstorlek kan också hindra fortsatt nedskalning.
Ett utfall som utraderar all förmögenhet ger logaritmen minus oändligheten. Att utelämna det för att det saknas i en kort historik kan ändra det skenbara optimumet i grunden. Poängen är inte att hitta på precisa sannolikheter, utan att skilja vanliga skattade utfall från omodellerade felmekanismer och undersöka om exponeringen alls överlever dem.