用 Python 揭秘均值回归策略：你的收益从何而来？

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 500 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

很多做量化、学 Python 的同学都听过「凯利公式」，也都被建议过：别上全凯利，用「半凯利」（k = 0.5）就稳了。这几乎成了仓位管理里的「行业默认值」。

但「半凯利」真的对吗？答案是：它只在一种非常特定的条件下才正确。当你的策略统计证据不足时，半凯利可能让你的仓位整整大了 5 倍；而当你的策略已经被多年实盘验证时，半凯利又会让你白白错过收益。

这篇文章会用 Python 代码，带你一步步拆开凯利公式背后的数学，搞懂为什么「一个固定系数」根本无法同时解决两类完全不同的风险，并给出一套可以直接落地的「贝叶斯凯利」流程。代码全部带中文注释，适合一边读一边敲。

---

一、凯利公式到底在解决什么问题

先回顾基础。假设资产价格服从带漂移 μ 和波动率 σ 的几何布朗运动，在 k 分数凯利下，对数财富的增长率为：

这个函数在 k = 1（全凯利）时取得最大值。我们用 Python 验证一下「半凯利捕获 75% 增长」这个经典结论：

def kelly_growth(k, mu, sigma):
    """计算 k 分数凯利下的对数财富增长率
    k: 凯利分数，k = 1 为全凯利
    mu: 预期收益（漂移项）
    sigma: 波动率
    """
    return k * (mu ** 2 / sigma ** 2) * (1 - k / 2)

# 假设年化预期收益 8%，波动率 20%
g_full = kelly_growth(1.0, 0.08, 0.20)   # 全凯利
g_half = kelly_growth(0.5, 0.08, 0.20)   # 半凯利

print(f"全凯利增长率: {g_full:.4f}")
print(f"半凯利增长率: {g_half:.4f}")
print(f"半凯利捕获比例: {g_half / g_full:.0%}")  # 输出约 75%

也就是说：半凯利只牺牲了 25% 的增长率，却能大幅降低回撤风险。再看回撤概率，无限期内财富跌破初始水平 b 倍的概率为：

def drawdown_prob(k, b=0.5):
    """无限期内财富曾经跌破初始水平 b 倍的概率
    k: 凯利分数
    b: 回撤水平，0.5 表示跌到只剩一半
    """
    return b ** (2 / k - 1)

for k in [1.0, 0.5, 0.25]:
    print(f"k = {k}: P(50% 回撤) = {drawdown_prob(k):.2%}")

# 输出：
# k = 1.0  -> 50.00%
# k = 0.5  -> 12.50%
# k = 0.25 ->  0.78%

看到这里你可能觉得：半凯利真香。但这里有一个关键前提：上面所有漂亮的性质，都建立在 k 乘的是「真实凯利分数」f* = μ/σ² 之上。可现实里我们永远只有「估计凯利分数」f̂* = μ̂/σ²，因为 μ 是估出来的，不是已知的。

---

二、半凯利的隐藏 bug：一个系数干两件事

这是全文最核心的洞察。仓位管理其实要同时对付两类风险：

• • 方差风险：即使你完全知道真实优势，财富路径本身也会大幅波动；
• • 估计风险：你对优势的估计 μ̂ 本身就可能是错的。

固定的「半凯利」用同一个系数 0.5 同时去糊这两个问题，结果是两个都没解决好。

举个对比就懂了：A 策略的 t 统计量是 0.5（几乎没有统计证据），B 策略的 t 统计量是 4.0（证据非常充分）。在传统半凯利下，两者都被砍成 k = 0.5。可它们的「优势可信度」天差地别，却用了一模一样的仓位系数，这显然不合理。

更要命的是，估计误差的代价远大于方差误差。研究表明，对数效用投资者的均值估计误差，其后果约是方差估计误差的 33 倍、协方差估计误差的 100 倍，量级大致是 100 : 3 : 1。也就是说，半凯利费劲去管的方差风险，恰恰是那个「小问题」；而真正的「大问题」估计风险，反而被一个不区分证据质量的固定系数草草打发了。

---

三、Rising-Wyner 等价：半凯利暗含了什么假设

有一个非常优雅的等价关系：对收益估计乘以系数 k 做收缩后再上全凯利，等价于直接用 k 分数凯利。

换句话说，当你用半凯利时，你其实是在隐含地宣称：「我相信真实收益只有我估计值的 50%。」用四分之一凯利，就是在说「只信 25%」。

但问题是，这个收缩比例应该由统计证据决定，而不是拍脑袋定个 0.5。与统计证据一致的贝叶斯收缩因子是：

其中 t = SR × √T 是优势的 t 统计量（SR 为夏普比率，T 为样本年数），c 是「先验怀疑参数」。

把传统系数 k 与收缩因子对应起来，即 k = t² / (t² + c)。在标准默认值 c = 4 下解出来：

• • k = 0.5 对应 t = 2.0（正好是常规 95% 显著性门槛）
• • k = 0.25 对应 t ≈ 1.15

关键结论来了：在 c = 4 下，传统的 k ∈ [0.25, 0.5] 只对 t ∈ [1.15, 2.0] 的策略是贝叶斯一致的。如果你的策略 t = 1.0，贝叶斯最优仓位比半凯利小了约 5 倍；如果你的 t 远大于 2.0，半凯利又会让你下注不足。

---

四、先验怀疑参数 c 怎么选

c 的含义很直观：它是「你认为优势和没有优势可信度各占一半」时所对应的 t² 值。给三个可参考的档位：

• • c = 1（宽松）：t = 1.0 时即半信半疑。适合有强独立理论支撑、有学术背书、不依赖具体样本的策略。
• • c = 4（标准）：t = 2.0 时半信半疑。适合逻辑清晰、但没有独立验证的大多数量化策略。
• • c = 9（严格）：t = 3.0 时半信半疑。适合在大量参数网格中「搜」出来的策略，因为多重检验会让虚假发现更容易蒙混过关。

一个实用原则：不确定时选更大（更保守）的 c。因为对真优势用了保守 c，后续数据会让 t 自然增大、收缩自然释放，错误可恢复；而对弱优势用了宽松 c，错误会随着每一笔交易不断累积。

---

五、用 Python 实现完整的贝叶斯凯利流程

整个流程分三步：算 t 统计量 → 做估计风险收缩 → 叠加方差风险控制。组合后作用在原始 f̂* 上的总乘数为：

其中 v 是方差风险控制系数，默认 v = 0.5（提供与传统半凯利相同的方差保护）。下面是完整实现：

import numpy as np

def bayesian_kelly(sr_live, T_years, c=4, v=0.5):
    """贝叶斯凯利仓位计算（完整三步流程）

    参数:
        sr_live : 实盘（年化）夏普比率
        T_years : 实盘累计年数
        c       : 先验怀疑参数（1 宽松 / 4 标准 / 9 严格）
        v       : 方差风险控制系数，默认 0.5
    返回:
        t          : 调整后的 t 统计量
        shrinkage  : 估计风险收缩因子
        k_total    : 作用在估计凯利分数上的总乘数
    """
    # 第一步：计算 t 统计量
    t = sr_live * np.sqrt(T_years)

    # 短样本修正：T < 5 年时夏普估计标准误较大，做保守下调
    if T_years < 5:
        t = t * (1 - 1 / np.sqrt(2 * T_years))

    # 第二步：估计风险收缩，t 越大越接近 1（越信任优势）
    shrinkage = t ** 2 / (t ** 2 + c)

    # 第三步：叠加方差风险控制，得到总乘数
    k_total = v * shrinkage

    return t, shrinkage, k_total


# 案例：不同夏普比率的策略，各自该上多大仓位
print(f"{'夏普':>4} | {'t值':>6} | {'收缩':>6} | {'k_total':>8}")
print("-" * 36)
for sr in [0.5, 1.0, 1.5, 2.0]:
    t, s, k = bayesian_kelly(sr, T_years=4, c=4, v=0.5)
    print(f"{sr:>4} | {t:>6.2f} | {s:>6.2f} | {k:>8.2f}")

直接看一张参考表（c = 4，v = 0.5）就更清晰了——它揭示了一个被忽视的真相：

实盘 t 统计量	收缩因子	k_total	P(相对真凯利 50% 回撤)
1.0	0.20	0.10	< 0.01%
1.5	0.36	0.18	≈ 0.1%
2.0	0.50	0.25	0.78%
3.0	0.69	0.35	≈ 3.9%
4.0	0.80	0.40	6.25%

读法：随着实盘时间变长、表现被确认，t 增大，总乘数才逐渐升高、向半凯利靠拢。换句话说，传统半凯利（k = 0.5）应该是「优势被多年验证后才趋近的终点」，而不是每个新策略一上来就套用的「起点」。

---

六、一个实战场景：优势衰减时会发生什么

假设某策略的实盘夏普从 1.5 一路衰减到 0.8（被市场「卷」掉了），我们看看贝叶斯凯利如何自动反应：

# 同样 5 年窗口，对比优势衰减前后的建议仓位
for sr in [1.5, 0.8]:
    t, s, k = bayesian_kelly(sr, T_years=5, c=4, v=0.5)
    print(f"夏普 = {sr}: t ≈ {t:.2f}, 收缩 ≈ {s:.2f}, k_total ≈ {k:.2f}")

# 夏普从 1.5 -> 0.8，k_total 会从约 0.37 自动降到约 0.22
# 而固定半凯利始终是 0.50：既在强优势期下注不足，
# 又在优势减弱时没能提供额外保护

这正是固定半凯利的尴尬：它两头都不讨好。而贝叶斯凯利会随证据变化自动调整仓位，证据强就加、证据弱就减。

一个补充提醒（易错点）：上面的回撤公式假设连续调仓、收益服从对数正态。如果你的策略收益是肥尾或有偏的，这个公式会低估真实回撤风险，此时应改用「带回撤概率上限的风险约束凯利」直接求解，而不是简单套用回撤公式。

---

总结

这篇文章的核心结论可以浓缩成几句话：

• • 半凯利能捕获 75% 增长、大幅压低回撤，前提是 k 乘在「真实凯利分数」上；现实里我们只有「估计值」。
• • 一个固定系数同时管「方差风险」和「估计风险」，结果两个都没管好；而估计风险的代价量级远大于方差风险（约 100 : 3 : 1）。
• • 通过 Rising-Wyner 等价可知：半凯利（k = 0.5）只在 t = 2.0 时才是贝叶斯一致的；t = 1.0 时贝叶斯最优仓位比半凯利小约 5 倍。
• • 正确做法是两步分开：先用 t² / (t² + c) 做与证据匹配的估计风险收缩，再用固定的 v 做方差风险控制，得到 k_total = v · t²/(t²+c)。
• • 半凯利应是优势被验证多年后趋近的终点，而非每个策略的统一起点。

对学 Python 的你来说，最好的吸收方式就是把上面几个函数敲一遍、改改参数跑一跑，亲眼看看仓位是怎么随证据自动收放的。仓位管理不是玄学，它是一段可以写成代码、可以被验证的数学。

---

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：500+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
   专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐