翻阅了站内关于下注比例和仓位控制的内容，绝大多数都是以经验或者统计学进行分析，而既有的凯利公式和贝叶斯的内容，多泛泛而谈，以二项分布为例，难以应对现实中离散分布的情形，本为目的旨在于使用凯利公式、似然估计、贝叶斯构建一个能够基本使用的框架，用概率的视角，应对彩票赌博、棋牌麻将、投资交易等场景的下注问题，这里以其中最复杂的投资场景为例。
什么是凯利公式？
凯利公式是在已知胜率和赔率时，告诉你该下多少注才能使长期复利增长最大化的数学规则：把“胜率×净赔率－败率”除以净赔率，得到的本金比例就是最优仓位，再砍一半（半凯利）可防估计误差。
什么是贝叶斯？
贝叶斯思想就是把参数看作随机变量，用先验分布表达已有认知，再借观测数据把先验更新成后验分布，从而量化不确定性并持续修正信念。
在投资场景中使用有何问题？
凯利对胜率和赔率误差极度敏感，小样本下极易高估优势，结果“最优”仓位居然变成过度杠杆爆仓；投资中股票-债券-现金是连续分布、多资产、相关且胜率/赔率不恒定的复杂系统，必须用“广义凯利”或“分数凯利”+贝叶斯先验的方法。
极大似然估计只追求“让历史数据最可能”，忽视先验和尾部，导致参数过拟合、非线性的未来变化情况无法处理。
贝叶斯虽能把先验和不确定性量化，但先验主观、协方差矩阵高维病态，加上市场分布非稳态、厚尾、相关突变，后验更新常常滞后或发散，算得越精密越有“精确的错误”，先验分布中和极大似然估计一样，可能犯线性估计的错误。
计算步骤：
1、通过凯利公式计算资产初始仓位
我们是刚开始投资的小白，缺乏我们自己的历史投资胜率和赔率信息，那么就需要先收集历史数据，计算出各项投资资产收益率的σ、SharpeRate
投资中股票-债券-现金是连续分布，收益R∈N（μ，σ）【为方便计算的简化】，在非胜即负的二项分布（如打赌、牌局）中，仍使用原版凯利公式即可：f=(P·b-Q)/b：
用夏普比率替代二项分布中的凯利公式：【Sharpe表示承担每一单位风险获得的收益，即Sharpe = (E[R] – Rf) / σ，σ表示风险本身】
凯利杠杆≈ Sharpe/σ
【max E[ln(1+f·r)]对正态收益做二阶泰勒展开并求导，得到近似解】
此时得到了第一个参数，即初始仓位
2、计算先验概率
首先用到的是收益率均值μ，略
其次应对多资产且相关的状况，需要使用到相关性协方差Σ
在连续收益、多资产的资产配置里，你要估计的是整个收益分布的参数向量 θ = (μ,Σ)，所以先验也升格为对这些参数的联合概率分布
现金账户已开好，标的选好（如 510300、511010、518880）
用广义凯利解析式对先验中心（μ₀, Σ₀）算一把：
f* = Σ₀⁻¹ (μ₀ – Rf)（Rf 取现金年化或者短期国债收益率）
再砍半→半凯利先验权重 w₀ = 0.5 · f*
例：算出 f* = [60% 股, 30% 债, 10% 黄金]，则 w₀ = [30%, 15%, 5%]，余下 50% 留现金/货币 ETF。
接下来就可以按 w₀ 下单建仓——这是“无历史数据”时的最优起点。
3、通过极大似然估计积累数据
这一步是我们计算中最简单的一步，却是实操中最难的一步，不管你是通过什么方法选标的，记录每周或每月净值序列，至少攒 6–12 期（T≥6）。
每新增一期，就把收益向量rₜ追加进矩阵R。
4、通过贝叶斯，滚动更新数据
先验中心：μ₀（N×1）
先验协方差矩阵：Σ₀（N×N）
先验信任度：κ₀（越大越相信先验，常取 1–10）
先验自由度：ν₀ = N + 2（最Flat的常用选择）
观测：T 期收益矩阵 R（T×N），行是时期，列是资产
样本均值：ȳ = R.mean(axis=0) （1×N）
样本协方差：S = (R - ȳ).T @ (R - ȳ) / (T - 1) （N×N）
共轭更新解析公式（正态-逆 Wishart）
后验信任度
κₙ = κ₀ + T
后验自由度
νₙ = ν₀ + T
后验均值（后验期望μ的解析点估计）
μₙ = (κ₀·μ₀ + T·ȳ) / κₙ
← 就是“先验均值”与“样本均值”的加权平均，权重=信任度。
后验尺度矩阵（后验期望Σ的解析点估计）
Ψₙ = Ψ₀ + S·T + (κ₀·T/κₙ)·(ȳ - μ₀)@(ȳ - μ₀).T
其中 Ψ₀ = (ν₀ - N - 1)·Σ₀ （把先验Σ₀还原成逆Wishart尺度）
后验协方差矩阵（点估计，用于后续凯利）
Σₙ = Ψₙ / (νₙ - N - 1)
把后验 (μₙ, Σₙ) 塞进广义凯利
Rf = 0.01 (1 月化 = 0.01/12 ≈ 0.00083)
f* = Σₙ⁻¹ (μₙ - Rf)
半凯利：0.5·f* = f
计算完毕！！！
阵亡，太复杂了，一定有解，但根本没法用啊，急需简化！
复杂来源于正态分布，想办法简化成二项分布即可，那我们重来一次，用掷硬币思维解释
1涨还是跌？
把每天的涨跌幅按要求回报率（比如 +1%）切成两块：
大于 +1% → “涨”
小于 +1% → “跌”
2计算涨跌次数：
涨（正面）（k）
跌（反面）（n−k）
总次数 n = k + (n−k)
这步就是“抛硬币统计”，纯数数。
3加预期“猜”（纯预期）
如果你完全没观点，就当已抛过 1 正 1 反（Beta(1,1)）。
若你长期看涨，可当作已抛 6 正 4 反（Beta(6,4)）——数字越大表示你信念越硬。
这步只是给后面“修正”留个底。
4合并算“修正后的正面概率”
把第 2 步的真实次数 + 第 3 步的“私心次数”：
新正面 = 历史正面 + 私心正面
新反面 = 历史反面 + 私心反面
再算比例：
P = 新正面 ÷ (新正面 + 新反面)
这就是你带进凯利公式的“胜率”。
5计算赔率
赔率 = “赢一次赚多少” ÷ “输一次亏多少”
用历史数据一样能估，但要对称地量：
先保住第2步的切线Δ（≥+Δ算成功，＜−Δ算失败）。
把近5年所有成功日的超额涨幅取平均 → 平均成功幅度 A
把失败日的超额跌幅取平均 → 平均失败幅度 B（正值）
净赔率 b = A / B
例：
成功日平均多涨 2.1%
失败日平均多跌 1.4%
→ b = 2.1 / 1.4 ≈ 1.5
解释：每亏1元，赢一次平均赚1.5元。
6把这只“历史平均幅度比”直接当b带进二元凯利即可
仓位=【赔率*胜率-（1-胜率）】/赔率
当资产组合不具有相关性（独立事件）时，直接对各个资产进行权重计算即可得到总仓位∈（0，1）时【即不杠杆也不做空】的仓位组合，即单个标的修正仓位=单个仓位/总仓位
7多元资产（有相关性情况）组合时的仓位计算
不需要单独计算以上单个标的仓位，直接同步计算即可
7.1引入5年历史每月收益数据的相关矩阵Σ（协方差）
用Excel「数据分析→协方差」得N×N矩阵，
或用简化公式：
ρij≈近5年收益相关系数（Excel CORREL）
7.2代入多元凯利公式
多元凯利公式的最优权重向量为 f*= Σ⁻¹ (μ - r)，其中：
μ-是风险资产的期望收益向量（基于历史平均或预测）。
r -是无风险利率（现金收益），设为0或实际值。
Σ⁻¹-是协方差矩阵的逆矩阵。
f*=Σ⁻¹(期望收益−无风险利率)
无风险收益率=现金日收益（可设0）
凯利公式中得到的结果波动非常大，使用半凯利公式f_adj=f*/2
7.3强制 f∈(0,1)
若某分量＜0，设0，不允许做空交易；
若总和＜1， 则按比例投资，剩余部分保留为现金；
若总和＞1，则说明公式建议使用杠杆，若限制杠杆则按比例缩放到1。
8动态更新数据
方案一：移动平均法
核心思想是将新旧数据以某种权重进行混合，步骤如下：
引入一个参数 λ（称为衰减因子或遗忘因子），定义你的“学习速率”，范围在0到1之间。λ 决定了你有多“相信”旧数据。
λ 接近 1（如0.95）：你非常相信历史，模型变化很慢，很稳定。
λ 接近 0（如0.5）：你更相信新数据，模型调整很敏捷，但也可能更波动。
建议起点：从 λ = 0.90 到 0.98 开始尝试，这相当于给历史数据一个很长的“半衰期”，当市场快速发生变化时，也可以认为修正λ值。
更新期望收益 (μ)：
假设你上一次的估计是 μ_old。
你观察到了过去一个月（或一个季度）的新收益率向量 r_new。
更新公式：μ_new = λ * μ_old + (1 - λ) * r_new
解读：新的期望收益是旧收益和新观测收益的加权平均。λ 越大，旧数据的权重越高。
更新协方差矩阵 (Σ)：
这是关键，因为资产间的关系会变化。
假设你上一次的协方差矩阵是 Σ_old。
根据新收益率数据，计算一个代表新关系的协方差矩阵 Σ_sample（例如，用过去12个月的数据滚动计算，或者简单看新数据点与 μ_new 的偏差）。
简化更新公式：Σ_new = λ * Σ_old + (1 - λ) * Σ_sample
更精确的指数加权移动平均(EWMA)：很多专业的风险模型都采用此方法，它在计算上也很方便。
方案二：贝叶斯公式
选择先验分布：
最常用的选择是正态分布μ ~ N(μ₀, Σ₀)
μ₀：用最初5年数据算出的期望收益。
Σ₀：先验的不确定性。这是一个关键点：它不是你之前算的资产间协方差 Σ，而是你对 μ₀ 这个估计值本身有多不确定。如果你对初始估计很有信心，Σ₀ 应该很小（对角线值小）；如果没信心，可以设大一些。这很主观，但体现了贝叶斯的“主观信念”。
定义似然函数：
假设资产收益率 r 服从多元正态分布：r ~ N(μ, Σ)。这里的 Σ 是资产的协方差矩阵，已知的或用方案一的方法更新。
计算后验分布：
当观察到新的收益率数据 r_new 后，存在一个优美的解析解。
后验分布 μ | r_new 仍然是正态分布。
