凯利公式:每次该下注多少
凯利公式:每次该下注多少 > "如果你知道自己的优势,那么下一个问题就是:下注多少。" 1960 年,贝尔实验室的物理学家约翰·凯利正在研究噪声信道中的信息传输问题。他发现了一个简洁的公式,可以计算在重复博弈中使资本增长最大化的下注比例。这个公式后来被赌徒、投资者和量化交易者奉为圭臬——不是因为它能让人暴富,而是因为它精确地回答了一个所有人都想当然的问题:我有优势,该怎么下注? 本文用 15 分钟
美股市场深度分析,覆盖纳斯达克、纽交所和标普500
凯利公式:每次该下注多少 > "如果你知道自己的优势,那么下一个问题就是:下注多少。" 1960 年,贝尔实验室的物理学家约翰·凯利正在研究噪声信道中的信息传输问题。他发现了一个简洁的公式,可以计算在重复博弈中使资本增长最大化的下注比例。这个公式后来被赌徒、投资者和量化交易者奉为圭臬——不是因为它能让人暴富,而是因为它精确地回答了一个所有人都想当然的问题:我有优势,该怎么下注? 本文用 15 分钟
1986 年 9 月 11 日,苹果公司在盘后发布了第三财季财报。股价在常规交易时段收于 19.25 美元,盘后交易中一度跌至 17.75 美元——跌幅不到 8%。次日开盘,股价跳空低开 12.6%,并在第一分钟内触及当日低点。 这不是流动性枯竭导致的踩踏,而是一个结构性的信息价格发现过程在盘后提前完成,并在次日开盘时以一种极端形式兑现。 这个案例揭示了一个持续数十年的市场谜题:夜盘走势到底在多大
每日收盘后,职业量化团队在做什么?盘后工作流自动化 --- 纽约,凌晨 23:47。 曼哈顿中城某量化基金的交易室里,显示屏上的 K 线图早已定格。四个小时后 A 股集合竞价开始,七个小时后美股盘前交易启动。这中间的六个小时,对职业量化团队而言,不是休息窗口。 收盘铃响的那一刻,实时监控程序自动切换为批处理模式。历史行情数据从数据源归档入库,策略的日度归因报告在后台跑着,而另一组脚本已经开始预计算
损失厌恶:为什么赚 10% 的快乐抵不过亏 5% 的痛苦 > “损失一美元带来的痛苦,大约需要两美元的正收益才能抵消。” 这是行为经济学奠基人 Daniel Kahneman 在 1979 年提出的核心命题。四十五年后,全球量化基金管理的资产超过 4 万亿美元,但研究表明,即便是专业交易员,在高压环境下依然会系统性地偏离理性决策。 本文从前景理论出发,拆解损失厌恶的神经机制与量化表征,给出一个可回
数据到了,信号没来:为什么你的量化系统总是慢半拍 凌晨 3:47,你的止损单没有触发。 不是交易所的问题,不是券商的问题。是你自己搭建的量化系统——数据在 WebSocket 连接的另一端排队等着处理,策略引擎还在喘气,而标的价格已经跌穿了你的止损位 2.3%。 这不是故事。这是过去 18 个月里,我见过的最常见的量化系统死亡方式:架构层面的响应延迟,而不是策略本身的失败。 数据从 TickDB
Alpha 从哪来,又到哪去 > "在华尔街,有两种钱:一种来自赌博,一种来自创造价值。问题是,大多数人分不清自己赚的是哪一种。" —— 华尔街谚语 2015 年 9 月,一个名为 LSTM 的技术指标策略在私募圈疯传。回测数据显示,在 A 股小市值因子主导的年代,该策略年化收益超过 120%,夏普比率 3.8,最大回撤不足 8%。 到了 2018 年底,同一个策略的年化收益跌至 18%,夏普比率
订单簿在财报发布前 30 秒就开始说话 "价格是无数张单子在博弈中成交的结果。" 每个交易日的盘后 16:00 或盘前 7:00,成千上万的机构算法正在做同一件事:盯着一份几乎静止的订单簿,等待那个时刻的到来——某家公司的财报即将发布。在那一刻,订单簿的表面平静会被瞬间撕裂:卖方流动性消失,买方堆积,价格在几秒内完成剧烈重估。 大多数散户看到的是 K 线上的大阴线或大阳线。但真正的信号,在 K 线
量化交易的合规审计:你需要留存哪些日志和数据? --- > 2015 年 8 月 24 日,美股开盘后数分钟内,多只蓝筹股股价瞬间暴跌 99%,然后在几秒内恢复正常。《纽约时报》后来报道,监管机构花了数周时间才拼凑出完整的交易链路图——不是因为数据不存在,而是因为数据分散在 17 个不同的系统中,格式不统一,关键时间戳精度不一。 这不是孤例。2012 年的“骑士资本事件”、2022 年的“日本交易
"我知道这个策略能赚钱。问题是,该押多少?" 这个困惑几乎每个量化交易者都遇到过。假设你开发了一个策略: - 胜率 60%(10 次交易中 6 次盈利) - 盈亏比 2:1(赚 2 块对应亏 1 块) 这是典型的优势策略。用它交易 100 次,数学期望为正。但问题是: - 全押 → 一把亏光,明天就没机会了 - 1% 仓位 → 稳如泰山,但复利太慢,100 万本金一年只赚 12 万 - 每次投入多