凯利公式完整研究讲义：从信息论、赌博到金融、套利与稳健仓位

风险与适用性声明：凯利公式回答的是“在给定分布和约束下，风险资本应押多少”的数学问题，不会创造正期望，也不能把风险资产变成无风险资产。博彩在许多司法辖区受限制或禁止；杠杆、卖空、期权、期货和加密资产可能产生超过初始投入的损失。本文中的所有数字均为教学用假设，绝非对任何市场、平台、赔率或标的的推荐。真实操作前应先确认所在地法律、交易规则、适当性、税务和清算安排。

一、先给结论：凯利公式究竟是什么

凯利准则（Kelly criterion）是在长期反复参与相同或相近机会时，选择使财富的预期对数增长率最大的下注比例或仓位。最常见的二元形式为：

\[f^*=\frac{bp-q}{b}=\frac{p(b+1)-1}{b}\]

其中：

$f^*$：应投入风险资本的比例；
$p$：获胜概率，$q=1-p$；
$b$：净赔率。押 1 单位，赢时额外净赚 $b$，输时损失 1；

仅在 $ f^*>0 $ 时才有正的凯利下注。

若 $ f^*\le0 $，在该模型下最优选择是 0。

它的四个容易被忽略的限定词是：长期、重复、可估计、可承受。少一个，公式的解释力都会显著下降。它并不说“这一笔会赢”，而是说：若同一统计结构能大量重复，且概率和赔率估计正确，那么满凯利会最大化几何平均增长率。

常见误解	更准确的说法
凯利等于最大单笔收益	凯利最大化长期复利，不最大化单笔期望收益。
有正期望就应该满仓	正期望只说明方向；凯利给出与收益/损失比相匹配的比例。
满凯利最安全	满凯利在模型正确时增长最快，但路径波动和回撤通常很大。
对冲或套利可以满凯利	对冲降低某些风险，不消除执行、融资、基差、信用和尾部风险。
历史胜率就是 $p$	历史样本只是估计；结构变化、选择偏差和小样本会使其失效。

二、历史脉络：它为何来自信息论

John L. Kelly, Jr. 在 1956 年贝尔系统技术期刊发表《A New Interpretation of Information Rate》。他的原问题不是证券配置，而是有噪声通信信道中的赌博式资本增长：拥有额外信息的人，如何把信息优势转化为长期财富增长 [1]。Kelly 将最大化对数财富增长与信息率联系起来；Breiman 随后证明，在适当条件下该策略具有渐近增长最优性 [2]。

Edward O. Thorp 将该框架带入二十一点、赛马和证券市场 [3-6]；Markowitz、Merton、Samuelson、Cover 等人则把它置于投资组合、连续时间和通用投资问题中 [7-13]。因此，凯利并非“赌博技巧”，而是连接如下对象的一座桥：

\[\text{信息优势} \longrightarrow \text{可检验概率模型} \longrightarrow \text{对数财富增长} \longrightarrow \text{仓位与风险预算}\]

这也解释了它的局限：如果“信息优势”只是事后挑选出来的回测结果，后面每一环都会被污染。

三、从一笔二元赌注严格推导

设初始风险资本为 $W$，下注比例为 $f\in[0,1]$。若赢，财富变为 $W(1+bf)$；若输，财富变为 $W(1-f)$。一次下注后的对数增长为：

\[g(f)=p\ln(1+bf)+q\ln(1-f)\]

对 $f$ 求导：

\[g'(f)=\frac{pb}{1+bf}-\frac{q}{1-f}\]

令 $g’(f)=0$：

\[pb(1-f)=q(1+bf)\]

整理得：

\[f^*=\frac{pb-q}{b}\]

二阶导数为负：

\[g''(f)=-\frac{pb^2}{(1+bf)^2}-\frac{q}{(1-f)^2}<0\]

所以该驻点是唯一最大值。特别要注意，凯利优化的是 $E[\ln(W_{t+1}/W_t)]$，而不是算术期望 $E[W_{t+1}/W_t]$。对数会严厉惩罚接近归零的路径：一旦 $f=1$ 且输一次，$\ln(0)$ 无定义，后续没有任何复利可以弥补。

1. 赔率与概率必须使用同一口径

若十进制赔率为 $d$，包括返还本金，则净赔率 $b=d-1$。忽略佣金时，盈亏平衡概率是 $1/d$，不是 $1/b$。有佣金、税费、滑点或赔率限制时，必须先把它们折入净赢得金额，再代入 $b$。

教学例 1：公平赔率之外的微小优势

某事件胜率估计为 $p=55\%$，十进制赔率为 2.00，故 $b=1$、$q=45\%$：

\[f^*=0.55-0.45=10\%\]

若平台对净盈利收取 2% 佣金，赢时净赔率约为 $b=0.98$：

\[f^*=\frac{0.55\times0.98-0.45}{0.98}\approx9.08\%\]

只是一项小费用，却让满凯利从 10% 降到约 9.1%。若真实胜率不是 55% 而是 52%，净凯利会进一步降为约 3.0%。这就是为什么“概率估错一点”在仓位问题上不是小问题。

2. 何时根本不应下注

正凯利的必要条件是 $pb-q>0$，等价于 $p>1/(b+1)$。这就是净期望为正的条件。凯利不能把负期望机会“管理成正收益”；如果费用后优势为负，最合适的风险预算是零，而不是降低仓位继续参与。

四、为什么“长期增长最大”不等于“体验最好”

在同一模型下，满凯利的中位终值和长期增长率通常优于其他固定比例，但短中期路径可能非常痛苦。财富乘法使损失不对称：亏 50% 后需要赚 100% 才能回本。Thorp、MacLean、Ziemba 等人反复强调，满凯利的高方差、参数误差和现实约束使分数凯利在实务中更常见 [5, 14-18]。

若采用 $\lambda$ 倍凯利，$f=\lambda f^*$：

$0<\lambda<1$：牺牲部分理论增长率，以换取更低回撤和对模型误差的容忍度；
$\lambda=1$：满凯利；
$1<\lambda<2$：仍可能有正对数增长，但风险明显上升；
在理想二元模型中，约 $2\times$ 凯利会把预期对数增长降至 0；超过它则长期几何增长转负。

最后两条是局部理论结果，不能被解读为现实中的“可安全加杠杆上限”。交易有跳跃、保证金强平和相关性聚集，实际可承受上限常低得多。

五、金融版凯利：从二元结果到连续收益

金融收益不是简单的赢/输，而是随机变量 $R$。将风险资本比例 $f$ 投入策略、其余留在现金或无风险资产，单期财富因子为 $1+fR$。一般凯利问题是：

\[\max_{f\in\mathcal{F}}\ E[\ln(1+fR)]\]

可行集 $\mathcal{F}$ 绝非数学装饰，它至少要保证在可见的极端情景下 $1+fR>0$，并同时满足保证金、杠杆、集中度和流动性限制。若模型允许 $R$ 出现低于 $-100\%$ 的跳跃，单纯的无约束 $f$ 已不适用。

当收益较小、波动有限时，二阶近似为：

\[E[\ln(1+fR)]\approx f\mu-\frac12f^2\sigma^2\]

其中 $\mu=E[R]$，$\sigma^2=\operatorname{Var}(R)$。最大化得到：

\[f_{\text{approx}}\approx\frac{\mu}{\sigma^2}\]

这不是“收益率除以波动率”的口号，而是依赖小收益、稳定分布、无摩擦和无跳跃的近似。更严谨的连续时间几何布朗运动版本，若资产超额收益漂移为 $\mu$、波动率为 $\sigma$，也给出风险资产权重约为 $\mu/\sigma^2$ [9, 10]。实际金融数据有肥尾、波动聚集和制度断点，因此应把它作为起点而不是终点。

多资产形式

令 $\boldsymbol{w}$ 为风险资产权重，超额收益均值为 $\boldsymbol{\mu}$，协方差矩阵为 $\boldsymbol{\Sigma}$。二阶近似下：

\[g(\boldsymbol{w})\approx \boldsymbol{w}^{\mathsf T}\boldsymbol{\mu} -\frac12\boldsymbol{w}^{\mathsf T}\boldsymbol{\Sigma}\boldsymbol{w}\]

无约束一阶条件为：

\[\boldsymbol{w}_{\text{Kelly}}\approx\boldsymbol{\Sigma}^{-1}\boldsymbol{\mu}\]

它与均值-方差优化形状相似，但目标函数不同。$\boldsymbol{\Sigma}^{-1}$ 会放大均值和协方差的估计噪音，因此实务必须加入长短仓限制、杠杆上限、行业/币种集中度、换手成本和稳健估计。把一个不稳定的逆协方差矩阵直接乘上短样本均值，是量化投资中最危险的“满凯利”之一。

六、概率、优势与模型风险：凯利真正难点在公式之外

公式只需要 $p$ 与 $b$，但研究工作在于证明 $p$ 和 $b$ 的口径可信。金融里相应的问题是估计收益分布、相关性、尾部和成本。应区分三种状态：

状态	含义	凯利处理
已知参数	教科书中的 $p, b, \mu, \sigma$ 已知	可推导满凯利。
可估参数	参数有样本误差、区间和结构变化	使用收缩、后验分布、分数或稳健凯利。
不可识别参数	赔率、容量、规则或对手方会改变	不应以历史点估计直接下注；先缩小或放弃。

1. 三类会把优势“做出来”的偏差

选择偏差：从一百个因子中挑出表现最好的一个，再把它的历史收益当作真均值。
前视与幸存者偏差：用当时不可获得的数据，或只保留活下来的资产/交易所。
容量与冲击遗漏：小资金回测可以成交，不代表大资金能在同样价格成交。

Bailey 等人的回测过拟合研究、Harvey 等人的因子发现批评，以及 Arnott 等人的因子拥挤讨论均指向同一点：信号的样本均值比人们想象得更不可靠 [31-33]。

2. 一个保守的估计协议

不要把单点 $p$ 或 $\mu$ 直接塞进公式。至少应做：

明确数据产生过程和可交易时点；
扣除双边费率、点差、冲击、融资、税费和闲置现金成本；
用滚动样本、样本外检验和分市场状态报告估计区间；
对胜率使用 Beta-Binomial 后验，或对收益均值做收缩；
以悲观参数、压力相关性和尾部跳跃重新计算；
把最终仓位取为理论仓位、风控上限和流动性上限中的最小值。

七、现实中最有用的凯利变体

1. 分数凯利：最朴素、最常用的折扣

设理论解为 $ f^* $，

采用 $ f=\lambda f^* $，

常见 $ \lambda $ 是 1/4、1/2 或由机构风险预算确定的更低值。

它不神秘：当优势估计存在误差时，缩小仓位降低了“把噪音当信号”造成的过度押注。Thorp 主张在实务中考虑估计风险与个人效用；MacLean、Ziemba 的综述也将分数化作为现实约束下的自然做法 [5, 14, 15]。

2. 贝叶斯凯利：把参数不确定性放进期望

二元投注不再用固定 $p$，而用后验分布 $\pi(p\mid\mathcal{D})$：

\[\max_f\ E_{p\sim\pi}\left[p\ln(1+bf)+(1-p)\ln(1-f)\right]\]

若 11 胜 9 负，直接用样本胜率会得到 55%；但带弱先验的 Beta 后验会提示样本仍然很少。贝叶斯方法不能消灭模型错设，却能避免把 20 次观察误当成精确概率。

3. 稳健/最坏情景凯利

对一个参数集合 $\Theta$，可选择：

\[\max_f\ \min_{\theta\in\Theta}E_\theta[\ln(1+fR)]\]

它问的不是“平均估计正确时最优多少”，而是“在合理但不利的模型内仍不至于过度下注多少”。Busseti、Ryu 与 Boyd 的风险约束凯利框架提供了可计算的约束思路 [20]。代价是理论收益降低，收益是更符合投资委员会和生存约束。

4. 回撤约束凯利

对于拥有最大容忍回撤 $D$ 的账户，不能只看终值。可以将目标改为：

\[\max_f E[\ln W_T]\quad \text{s.t.}\quad P\left(\min_{t\le T}W_t<(1-D)W_0\right)\le\alpha\]

实务上常用蒙特卡洛或历史情景估计该概率，再反求一个较小的 $\lambda$。这比“亏到 30% 才减仓”的事后规则更一致，但仍依赖尾部情景是否覆盖了现实。

5. 波动率目标与风险预算

若策略年化波动率估计为 $\hat\sigma$，风险预算为 $\sigma_{target}$，可先有一个缩放：

\[\lambda_{vol}=\min\left(1,\frac{\sigma_{target}}{\hat\sigma}\right)\]

然后取 $f=\lambda_{vol}\lambda_{Kelly}f^*$。它不等于凯利，但可让不同策略在共同的波动率预算下竞争资本。波动率不是全部风险，因此还须叠加跳跃、流动性和保证金约束。

6. 成本、容量与“不交易区间”凯利

若每次再平衡有固定/比例交易成本 $C$，频繁把权重精确拉回凯利值会损失成本。更实用的规则是：只在当前权重偏离目标超过阈值时交易。阈值应随点差、冲击、Gamma、波动与税务而变化；Leland、Boyle-Vorst、Whalley-Wilmott 的交易成本对冲研究说明了连续再平衡在现实中不可执行 [39-41]。

7. 现金缓冲与可用资本凯利

最常见也最被忽略的变体是只对可损失风险资本应用凯利。账户总现金不等于风险资本：应先隔离生活费、税款、保证金缓冲、赎回需求和极端追加保证金。若总资产为 $A$、不可动用缓冲为 $B$，则凯利的基数是 $A-B$，不是 $A$。这不是保守修辞，而是避免被迫平仓的流动性约束。

八、真实场景一：赌博与预测市场

1. 适用条件

赛马、体育博彩、扑克和预测市场只有在下列条件同时满足时才接近凯利模型：

你对真实概率的估计优于扣费后的市场隐含概率；
赔率在下单时锁定，或价格冲击可量化；
可以反复参与足够多的独立或弱相关机会；
单笔限额、取消规则、结算争议和平台信用已纳入；
不会因追损、成瘾或现金流需求偏离既定规则。

赛马研究中，Benter 和 Ziemba 展示了信息与资金管理的关系；但这不意味着公开市场存在容易、持续的优势 [44-47]。预测市场还要考虑结算规则、操纵、流动性和信息泄露风险 [48, 49]。

2. 一个可审计下注表

字段	教学口径
市场与结算规则	写出何时、由谁、根据何种来源结算。
十进制赔率与佣金	转为净赔率 $b$。
概率区间	例如 0.52 至 0.57，而非只报 0.55。
悲观凯利	用概率下界和成本上界计算。
最终比例	$min(\lambda f^*_{pessimistic},\text{单笔上限},\text{相关组上限})$。
复盘	记录预测概率、成交赔率、结果和校准情况，不只记录输赢。

相关事件不能分别按满凯利相加。例如同一场比赛的多个投注、同一宏观主题的多个预测市场，往往共享一个信息错误来源；应按联合分布或相关组总暴露进行预算。

九、真实场景二：股票、期货与系统化投资

1. 从信号预测到仓位

若一个选股模型预测下期超额收益 $\hat\mu_i$，并估计协方差 $\hat\Sigma$，朴素解是 $\hat\Sigma^{-1}\hat\mu$。现实工作应在这个解外再加五道门：

预测门：使用样本外、滚动和成本后信息比率；
估计门：均值收缩、协方差收缩和相关性压力测试；
组合门：多空、行业、因子、单名和杠杆限制；
交易门：成交量参与率、点差、冲击和换手上限；
生存门：最大回撤、保证金、融资和赎回流动性。

Grinold 与 Kahn 的主动管理框架、DeMiguel 等人的均值-方差样本外比较，以及 Jagannathan-Ma 的卖空约束研究，都说明“优化器输出”不是可直接交易的答案 [27-30]。

2. 连续复利与杠杆陷阱

设策略算术年化超额收益估计为 8%，年化波动率 20%，小收益近似下满凯利约为：

\[f\approx\frac{0.08}{0.20^2}=2\]

这看似意味着 2 倍风险暴露，但至少存在四个未被公式处理的问题：8% 是否成本后、20% 是否遗漏跳跃、融资是否稳定、回撤时能否保持杠杆。若真实超额收益只有 3%，同样的波动对应约 0.75 倍；均值的误差会直接把推荐杠杆从 2 倍变成不足 1 倍。故不应把该近似当作加杠杆许可。

十、真实场景三：所谓“套利”为什么仍需要凯利与风险预算

套利在教科书中常指无初始成本、无风险、必然非负收益的价格关系；市场中人们称为套利的策略，多数其实是相对价值交易，仍承担基差、执行、融资、资产可得性和信用风险。Shleifer 与 Vishny 对“套利限制”的经典解释正是：即使发现错价，资本约束和被迫平仓也可让套利者先亏后赢 [39]。

1. 期现现金套利的完整现金流

教学结构：买入现货、卖出同标的同到期期货。到期前的净结果不只取决于基差，还包括：

\[\text{净持有收益}=\text{锁定基差} -\text{融资利息}-\text{借券/托管费}-\text{交易费} -\text{滑点}-\text{保证金机会成本}-\text{税费}\]

还须问：现货和期货是否同一质量/交割规则？期货空头盯市是否会在基差扩大时先消耗现金？现货是否可托管、可借、可交割？这些问题若没有答案，收益就不是可锁定收益。

2. 永续资金费率“套利”

常见结构是现货多头加等名义金额永续空头。若资金费为正，空头通常收取资金费，但平台具体规则必须以合约说明为准。此结构大致削弱价格 Delta，却没有消除：

资金费由正转负或显著下降；
标记价格、指数价格和现货价格的偏离；
现货与抵押品同跌导致保证金压力；
自动减仓、强平、交易所暂停提现或交易所信用风险；
手续费、资金划转和链上拥堵；
交易对容量和离场冲击。

因此应将收益建模为带状态的随机现金流 $R_{funding}$，而不是把当前年化资金费当成无风险利率。若最坏情景包含平台损失、无法平仓或大额追加保证金，则可承受仓位首先由信用与流动性上限决定，凯利只是后续的增长率比较工具 [50-53]。

3. 转换/反转换与期权平价

欧式、无分红标的的看涨-看跌平价为：

\[C-P=S-Ke^{-rT}\]

偏离并不自动等于可套利。美式期权有提前行权/指派，股票有分红与借券费，期权有合约乘数、最小报价单位和不同结算规则。把这些全部写入现金流表后仍有净锁定收入，才有资格讨论规模；若暴露仍依赖 IV、借券或流动性，则应按风险交易设定上限，而非用“无风险”名义放大。

十一、把凯利嵌入实际交易流程，而不是嵌入单个公式

步骤 1：定义资本与硬约束

项目	必须预先定义
风险资本	不含生活费、税款、短期负债和不可动用保证金缓冲。
最大总杠杆	按最坏压力估值而非平时保证金率。
单策略上限	避免单一模型或交易所主导账户。
相关组上限	同一因子、同一比赛、同一交易所或同一稳定币应合并计算。
回撤门槛	达到门槛后自动降风险、复核模型或停止。
流动性上限	以保守成交量、点差和最差日退出时间计算。

步骤 2：构造净收益分布

至少列出基准、乐观、悲观和失效四种情景。对套利尤其要有“不能及时平仓/提现”的情景；对卖期权要有跳空和波动率上升；对趋势策略要有反转和波动聚集。每种情景均应扣除交易成本与融资。

步骤 3：先求理论解，再打折

可采用数值方式最大化样本或蒙特卡洛下的：

\[\hat g(f)=\frac{1}{N}\sum_{j=1}^{N}\ln(1+fR_j)\]

然后依次施加：估计折扣、波动率缩放、回撤约束、流动性上限、保证金上限、相关组上限。最终仓位不是“凯利值”，而是所有约束后的最小可行值。

步骤 4：执行、监控与再估计

每次下单记录当时的预测、价格、费用、仓位、对冲比率与容量。监控的不是账户是否暂时盈利，而是：概率校准是否漂移、成本是否高于模型、相关性是否上升、保证金缓冲是否缩小、对手方条件是否改变。参数显著改变时，重估而不是机械加仓。

十二、一个教学用的“现金化”决策示例

假设某市场中性策略的风险资本为 100,000 单位货币。研究团队从样本外数据得到年化成本后期望收益 12%、年化波动率 18%，但考虑到样本较短，将期望收益收缩 50% 至 6%。二阶近似理论风险暴露为：

\[f_{approx}=\frac{0.06}{0.18^2}\approx1.85\]

这并不意味着可开 185% 仓位。团队还设定：半凯利折扣、目标波动率 10%、策略名义杠杆上限 1 倍、单交易所敞口上限 30%、压力情景下追加保证金上限 15%。最终决策逻辑可以是：

\[f_{final}=\min(1.85\times0.5,\ 10\%/18\%,\ 1.0,\ \text{流动性上限},\ \text{保证金上限})\]

其中波动率门给出约 0.56，实际还可能被单交易所 0.30 的上限截断。这个例子说明，现实中凯利输出常只是“风险预算流水线”的一个输入，最终现金头寸由最严格的生存约束决定。

十三、对凯利最重要的反对意见与回应

反对意见 1：财富并非可以无限期重复

正确。个人有有限投资期限、现金流需求和效用函数；机构有赎回、风险限额和监管约束。回应不是假装无限期，而是采用较低分数、回撤约束或明确的有限期限效用目标。

反对意见 2：概率无法准确估计

正确。这正是满凯利最脆弱之处。回应是以不确定性处理参数，使用样本外验证、收缩、悲观情景和小比例，而不是声称“模型精确”。

反对意见 3：市场收益不独立同分布

正确。波动率、相关性、流动性和制度会同时变化。回应是按状态分层、限制相关组、增加现金缓冲，并假定历史尾部低估未来尾部。

反对意见 4：最大化对数财富不等于个人偏好

正确。对数效用代表一种风险偏好和长期目标；若损失具有不可逆后果，生存和回撤约束应优先于增长率。凯利是基准，不是道德或个人财务的普适目标。

十四、学习者检查清单

在使用任何凯利表格、脚本或交易机器人前，逐项回答：

我的收益来源究竟是什么，费用后是否仍为正？
概率/均值来自真正样本外数据，还是事后回测？
最坏一天、跳空、交易所故障或一条腿无法成交时会怎样？
我是否把相关下注错误地当作独立下注？
这里的本金是可损失风险资本，还是包含生活现金与保证金缓冲？
是否已扣除佣金、点差、冲击、融资、税费、借券和资金费？
若参数下降一个置信区间，仓位是否仍合理？
触发何种事件时减仓、停止或重新估计？
策略容量是否小于可实际成交的容量？
我能否用一张现金流表向第三方解释所有损失来源？

任一问题回答不清时，最专业的凯利仓位不是一个较复杂的数字，而是零或极小的研究仓位。

十五、参考文献与延伸阅读

A. 原始理论、概率与通用投资

Kelly, J. L. Jr. (1956). A New Interpretation of Information Rate. Bell System Technical Journal, 35(4), 917-926.
Breiman, L. (1961). Optimal Gambling Systems for Favorable Games. Proceedings of the Fourth Berkeley Symposium.
Thorp, E. O. (1969). Optimal Gambling Systems for Favorable Games. Review of the International Statistical Institute, 37(3), 273-293.
Thorp, E. O. (1997). The Kelly Criterion in Blackjack, Sports Betting, and the Stock Market. 论文集章节。
Thorp, E. O. (2006). The Kelly Criterion in Blackjack Sports Betting, and the Stock Market. 收录于 The Kelly Capital Growth Investment Criterion.
Thorp, E. O. (1966). Beat the Market. Random House.
Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91.
Samuelson, P. A. (1979). Why We Should Not Make Mean Log of Wealth Big Though Years to Act Are Long. JASA, 74(366), 279-280.
Merton, R. C. (1969). Lifetime Portfolio Selection under Uncertainty: The Continuous-Time Case. Review of Economics and Statistics, 51(3), 247-257.
Merton, R. C. (1971). Optimum Consumption and Portfolio Rules in a Continuous-Time Model. Journal of Economic Theory, 3(4), 373-413.
Cover, T. M. (1991). Universal Portfolios. Mathematical Finance, 1(1), 1-29.
Cover, T. M., & Thomas, J. A. (2006). Elements of Information Theory (2nd ed.). Wiley.
Algoet, P. H., & Cover, T. M. (1988). Asymptotic Optimality and Asymptotic Equipartition Properties of Log-Optimum Investment. Annals of Probability, 16(2), 876-898.
MacLean, L. C., Thorp, E. O., & Ziemba, W. T. (eds.) (2011). The Kelly Capital Growth Investment Criterion. World Scientific.
MacLean, L. C., Ziemba, W. T., & Blazenko, G. (1992). Growth versus Security in Dynamic Investment Analysis. Management Science, 38(11), 1562-1585.
Ziemba, W. T. (2005). The Symmetric and Asymmetric Downsides of Risky Investments. Wiley.
Luenberger, D. G. (1998). Investment Science. Oxford University Press.
Vince, R. (1990). Portfolio Management Formulas. John Wiley & Sons.
Rotando, L. M., & Thorp, E. O. (1992). The Kelly Criterion and the Stock Market. 研究论文。
Busseti, E., Ryu, E. K., & Boyd, S. (2016). Risk-Constrained Kelly Gambling. Journal of Investing, 25(3), 118-134.
Christensen, M. M. (2012). On the History of the Kelly Criterion. 历史综述。
Hakansson, N. H. (1971). Capital Growth and the Mean-Variance Approach to Portfolio Selection. Journal of Financial and Quantitative Analysis, 6(1), 517-557.
Ordentlich, E., & Cover, T. M. (1998). The Cost of Achieving the Best Portfolio in Hindsight. Mathematics of Operations Research, 23(4), 960-982.
Samuelson, P. A. (1969). Lifetime Portfolio Selection by Dynamic Stochastic Programming. Review of Economics and Statistics, 51(3), 239-246.

B. 资产配置、量化研究与套利限制

Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance, 25(2), 383-417.
Shleifer, A., & Vishny, R. W. (1997). The Limits of Arbitrage. Journal of Finance, 52(1), 35-55.
Grinold, R. C., & Kahn, R. N. (2000). Active Portfolio Management (2nd ed.). McGraw-Hill.
DeMiguel, V., Garlappi, L., & Uppal, R. (2009). Optimal versus Naive Diversification. Review of Financial Studies, 22(5), 1915-1953.
Jagannathan, R., & Ma, T. (2003). Risk Reduction in Large Portfolios: Why Imposing the Wrong Constraints Helps. Journal of Finance, 58(4), 1651-1683.
Ledoit, O., & Wolf, M. (2004). A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices. Journal of Multivariate Analysis, 88(2), 365-411.
Bailey, D. H., Borwein, J. M., López de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance, 20(4).
Harvey, C. R., Liu, Y., & Zhu, H. (2016). … and the Cross-Section of Expected Returns. Review of Financial Studies, 29(1), 5-68.
Arnott, R. D., Beck, N., Kalesnik, V., & West, J. (2016). How Can “Smart Beta” Go Horribly Wrong?. Research Affiliates 研究报告。
Gatev, E., Goetzmann, W. N., & Rouwenhorst, K. G. (2006). Pairs Trading. Review of Financial Studies, 19(3), 797-827.
Avellaneda, M., & Lee, J.-H. (2010). Statistical Arbitrage in the US Equities Market. Quantitative Finance, 10(7), 761-782.
De Long, J. B., Shleifer, A., Summers, L. H., & Waldmann, R. J. (1990). Noise Trader Risk in Financial Markets. Journal of Political Economy, 98(4), 703-738.
Black, F., & Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81(3), 637-654.
Merton, R. C. (1973). Theory of Rational Option Pricing. Bell Journal of Economics, 4(1), 141-183.
Leland, H. E. (1985). Option Pricing and Replication with Transactions Costs. Journal of Finance, 40(5), 1283-1301.
Boyle, P. P., & Vorst, T. (1992). Option Replication in Discrete Time with Transaction Costs. Journal of Finance, 47(1), 271-293.
Whalley, A. E., & Wilmott, P. (1997). An Asymptotic Analysis of an Optimal Hedging Model for Option Pricing with Transaction Costs. Mathematical Finance, 7(3), 307-324.
Carr, P., & Wu, L. (2009). Variance Risk Premiums. Review of Financial Studies, 22(3), 1311-1341.

C. 博彩、预测市场与机构/社区实践资料

Thorp, E. O. (1962). Beat the Dealer. Blaisdell. 凯利在赌场实务中的早期应用背景。
Benter, W. (1994). Computer-Based Horse Race Handicapping and Wagering Systems. 收录于 Efficiency of Racetrack Betting Markets.
Hausch, D. B., Lo, V. S. Y., & Ziemba, W. T. (eds.) (1994). Efficiency of Racetrack Betting Markets. Academic Press.
Sauer, R. D. (1998). The Economics of Wagering Markets. Journal of Economic Literature, 36(4), 2021-2064.
Snowberg, E., & Wolfers, J. (2010). Explaining the Favorite-Long Shot Bias. Journal of Financial Economics, 97(1), 79-87.
Wolfers, J., & Zitzewitz, E. (2004). Prediction Markets. Journal of Economic Perspectives, 18(2), 107-126.
Arrow, K. J., et al. (2008). The Promise of Prediction Markets. Science, 320(5878), 877-878.
CFTC. Customer Advisories. 美国商品期货交易委员会面向消费者的虚拟货币、杠杆与欺诈风险提示入口。
SEC. Investor Bulletin: Understanding Margin Accounts. 保证金账户风险说明。
FINRA. Margin: Borrowing Money to Pay for Stocks. 杠杆与追加保证金教育资料。
OCC. Characteristics and Risks of Standardized Options. 标准化期权风险披露文件。
Cboe. The Options Institute: Options Greeks. 期权敏感度教育资料。
CME Group. Futures Fundamentals. 期货、保证金与盯市基础资料。
CFA Institute. The Fundamental Law of Active Management. 主动管理与风险控制背景资料。
Research Affiliates. The Surprising Alpha From Malkiel’s Monkey and Upside-Down Strategies. 对回测和因子解释的实践讨论。
Deribit Insights. Cash & Carry – Live Trade Example. 期现结构、结算和执行的市场实践文章。
Deribit Insights. Variable Rate Cash & Carry – Live Trade Example. 浮动融资成本如何改变“锁定收益”。
Binance Academy. What Is Funding Rate in Cryptocurrency Markets?. 永续合约资金费率的基础说明，具体规则仍应以交易所合约为准。

结语：凯利的正确用法是限制自信

凯利公式最有价值的地方，不是给出一个看似精确的百分比，而是迫使研究者把隐含前提摊开：我有多少真实优势？优势能否重复？损失在什么状态下不可承受？成本、相关性和信用风险是否已经进入分布？

在已知概率的教科书里，满凯利是优雅的增长最优解；在不确定、带摩擦且会断裂的真实市场里，更成熟的表达通常是：先验证是否存在净优势，再以可损失资本为基数，以分数、约束、缓冲与复盘把凯利嵌入风险管理流程。