决定华尔街每一美元的五条方程

五个方程式决定了华尔街赚的每一美元 August 11, 2026 · 19 min read · View source ↗ Finance 你不是输给了一个更准的预测。你是输给了五个没人展示给你的数字：你的下注规模、你的真实成本、你的上限、你的优势只是运气的概率，以及平均回报和你实际拿到手的回报之间的差距。 2015 年，坐在 TED 舞台上，Jim Simons 被问到，为什么金融史上最成功的基金不再接受外部投资者的钱。他的回答只有一句话，而且与市场无关： > "但在某个时刻，正如我想我告诉过你的，我们买回了所有投资者，因为基金有容量（capacity）限制。" 容量。不是信念，不是保密，不是一个更准的预测。而是一个数字，超过它，机器就停止运转。他说这话的方式，就像工程师陈述一个载荷极限。 这句话就是这篇文章的全部主题。被卖给公众的"华尔街生意"是预测——信号、模型、那个提前看到的人。而真正运转这门生意的，是一小撮完全不包含预测的方程式。它们回答的是这样的问题：多少、以什么成本、大到什么程度会崩、这到底是不是真的、什么能经得起时间。 这五个全部公开。全部很老。大多数一行就放得下。而且每一个都能用计算器算出来。 这篇文章很长，每一部分都建立在前一部分之上。但到最后，你将手握那五个检查项——在真实的公司里，它们决定一个策略是被注资还是被砍掉。 五个公式，一瞥而过 1. 仓位大小。f* = (bp − q) / b ——每次下注冒多大风险。往上搞错规模，一个本来能赢的游戏就会变成输的游戏。 2. 交易成本。I = Y · σ · √(Q/V) ——真正把仓位建起来要花多少钱。规模是四倍，账单是八倍。 3. 容量。Q* = V · (e / Yσ)² ——你的优势仍然存在的最大规模。Simons 的那句话，写成算术。 4. 它到底是不是真的。E[max SR] ≈ (1−γ)·Z⁻¹(1 − 1/N) + γ·Z⁻¹(1 − 1/Ne) ——在 N 次尝试之后，你应当预期从纯运气中得到多少 Sharpe ratio。 5. 你留得下什么。g = ⟨ln(1 + r)⟩ ——平均回报和你个人实际收到的回报之间的差距。 五个公式。零个预测。 1. 你下多大注？ 从那个先于一切问题的问题开始，而几乎没有人用算术来回答它。 假设你发现了某个真实的东西。一个赔率均等、赢面 55% 的赌注。你有 $10,000。每次翻牌你押多少？ 本能会用感觉来回答——押很多，因为赔率不错；押一点，因为可能会输。两者都是猜。存在一个精确答案，由贝尔实验室一位叫 John Larry Kelly Jr. 的物理学家在 1956 年 7 月发表，在一篇关于嘈杂电话线容量的论文里。九年后他去世，享年 41 岁。这个公式比他多活了七十年，还在继续。 f* ——你下注资本的比例 · p ——赢的概率 · q ——输的概率 (1 − p) · b ——在给出的赔率下，每下注一单位你赢多少 把它读成一句话：下注优势除以赔率。这里面没有任何关于下一次翻牌的看法。 跑一遍。均等赔率意味着 b = 1。55% 的赢面意味着 p = 0.55，q = 0.45。 每次下注本金的百分之十。不是"很多"。不是"一点"。百分之十。 Kelly 本人对那个无视天花板、把全部身家推上去的赌徒——哪怕是在一场他占优的游戏里——会怎样，说得很直白： > "然而这并没什么安慰作用，因为当 N 很大时，他大概率会破产，事实上，如果他无限期继续下去，他破产的概率为一。" 这不是对坏运气的警告。这是一个陈述：过度下注已经把必然破产内建进去了，无论优势多大。 这是同一个 55/45 游戏，从 $10,000 起跑 100 次，在三种不同规模下： 看第三行。同样的优势。同样的 55% 胜率。同样占优的游戏——而你结束时比开始时更少，纯粹因为仓位是数学允许的两倍。 Edward Thorp 把 Kelly 公式从 21 点牌桌带进了一家对冲基金，该基金在扣除费用后约以每年 20% 复利增长二十年，且没有一个下跌季度。他对这种不对称性给出了精确表述： > "原因在于，用过大的 f* 和过度下注，受到的惩罚远比用过小的 f* 和保守下注严重得多。" 这就是为什么那些使用 Kelly 的专业人士，只用它的一部分。半 Kelly 能捕捉约 75% 的增长率，而途中的暴力少得多。Thorp 自己的结论是，既然你永远无法真正知道自己的优势，你就应该有意识地下注到公式所给数值以下： > "在未来概率不确定的程度上，长期复利者应进一步限制其投资比例，以防止显著的过度下注风险。" 一个规模搞错的赢家策略，就是一个输家策略。优势告诉你是否该下注。这个告诉你下多少，而它是复利增长与卷铺盖回家之间的区别。 2. 这笔交易实际花多少钱？ 每一个散户成本模型都是线性的。交易两倍，付两倍。点差乘以规模，加佣金，完事。 市场不是这么运作的，而这两个模型之间的差距，正是规模化策略的葬身之地。 当你买入时，你把价格推向了不利于自己的一边。最初的几股按你看到的价格成交；其余的成交价更差，因为你自己的需求已经吃掉了挂着的流动性。推得更用力，你就移动得更多。经验关系——市场微观结构中被验证得最扎实的事实之一——是冲击随规模的平方根增长。 I ——impact（冲击），以基点计 · Q ——你的订单规模，以货币计 · V ——日均成交量，同单位 · σ ——日波动率，以基点计 · Y ——一个量级为 1 的拟合常数（在你测出自己的之前用 Y = 1） Jean-Philippe Bouchaud 及其合著者花了二十年跨市场测量这一点，用一句值得背诵的话陈述其后果： > "数值上，公式 (1) 意味着，交易日成交量的百分之一，会使价格移动其日波动率的十分之一，这确实是一个巨大的放大。" 日成交量的百分之一，花掉你日波动的百分之十。不是它的百分之一。是十。 而关于它有多普遍成立，出自同一篇论文： > "相当了不起的是，平方根冲击定律似乎在所有情况下都近似成立。" 最近最强的确认来自 Sato 和 Kanazawa，他们做了一件不寻常的事：不是抽样某一个券商的流量，而是调查了东京证券交易所每一只流动性股票上、八年里每一个交易账户。平方根形态在个股层面和单个交易者层面都成立。 跑一遍。一只日波动率 2%（200 bps）、日均成交量 $50 million 的股票。 第二行就是 Bouchaud 那句话的美元版：日成交量的百分之一，日波动率的十分之一，正好 20 个基点。 现在把最后两行对着看。四倍的规模。两倍的单位成本。也就是八倍的总账单——$8,000 变成 $64,000。 这就是交易中最常见故事背后的算术：一个策略在小规模下跑了一年，却在规模化后的一个季度内崩了。没有东西失灵。没有市场风格切换。信号仍然在同一时间触发。只是成本曲线追上了优势曲线，而没人被警告，因为这个成本从不出现在对账单上。 点差是报价的。佣金是开票的。杀死你的那个数字，是没人向你收费的那个。 3. 在它失效之前，你能做到多大？ 现在把前两个放在一起，Simons 那句话就变得可计算了。 你每笔交易的优势在规模上大致是平的。一个 20 基点的信号就是 20 基点的信号，无论你交易一千美元还是一百万美元；错误定价不知道你有多有钱。你每笔交易的成本，从上一节看，随规模的平方根上升。 一个是平的。另一个上升。它们相交。 那个相交点就是你的容量——你仍然在运行一个策略、而不是在向市场捐款的最大规模。令优势等于冲击并求解： 跑一遍。同一只股票：σ = 200 bps，V = $50 million，实测净优势每笔 20 bps，Y = 1。 每笔五十万美元。不是目标——是天花板。 这个公式的三个性质，比任何被卖过的指标都值钱。 容量随你优势的平方缩放。优势翻倍，容量变成四倍。这只股票里一个 10 bps 的优势承载 $125,000。一个 40 bps 的优势承载 $2,000,000——四倍的优势带来十六倍的规模。 容量对流动性是线性的。成交量十倍，容量十倍。这就是为什么同一套逻辑在一个工具里没问题、在另一个里毫无希望，而想法本身毫无变化。 而容量随 1/Y² 缩放。把你的执行成本系数减半——把订单分散到几小时而不是几秒、内部交叉流量、保持耐心——容量翻四倍。同样的信号，没有任何预测得更准。在我们的例子里，把 Y 减半会把天花板从 $500,000 移到 $2,000,000。 那第三个性质，才是一家大基金在花大钱建执行基础设施时真正买到的东西。不是预见力。是一个更小的 Y。 这也是 Simons 买回他投资者的原因。Medallion 对外部资本关闭了大约二十年，并以封顶规模运行，广泛报道约为一百亿美元。想一想这意味着什么：行业内最扎实的记录，基金经理本人会从收更多钱中获利，而他们拒绝了。除了 Q* 之外没有别的解释。他们知道自己的优势，知道自己的 Y，算出了相交点，并且不会交易到超过它。 Simons 还在同一次对话中，给出了为什么他们的任何信号都值得交易的最干净陈述： > "任何一个异常都可能是随机事件；然而，如果你有足够的数据，你就能分辨出它不是。" 这正是下一个公式的主题。 每个策略都有一个天花板。唯一的问题是，你是用公式还是用一次回撤找到自己的那个。 4. 优势到底存在过吗？ 以上一切都假设优势是真实的。现在是让人不舒服的部分，它会改变你读每一个未来回测的方式。 问题不在于人们撒谎。问题在于搜索不是免费的。你测试的每一个变体，都是另一张对抗噪音的彩票，而如果你买足够多的彩票，总有一张单凭运气就中了，而且看起来和本事一模一样。 Marcos López de Prado 在世界上一些最大的公司里做过量化研究，他不带外交辞令地描述了这个机制： > "金融研究中最普遍的错误之一，就是拿一些数据，跑一个 ML 算法，回测预测，然后重复这个序列，直到出现一个好看的回测。学术期刊里满是这样的伪发现，连大型对冲基金也不断掉进这个陷阱。" 下面这个公式让这一切变得精确。给定 N 次独立尝试，对抗一个毫无优势的策略，你应当预期仅凭运气找到的最佳 Sharpe ratio 是： 把结果除以你以年为单位的记录时长的平方根，就得到大家都在引用的年化单位。 跑一遍。五年日频数据，45 个被测变体，一个真实优势为零的策略： 一个正好 1.0 的 Sharpe ratio，从完全的虚无中来。不是衰减的好策略。不是被挤掉的真实优势。四十五次掷一个公平骰子，最好的一掷看起来像一份专业的记录。 再往下推，情况会迅速恶化： 大多数人一个下午跑几百个变体，然后把赢家当真。表格说，一个来自千变体网格搜索的 1.4 Sharpe，什么都证明不了。 推导出这一点的作者——Bailey、Borwein、López de Prado 和 Zhu——在《美国数学会通讯》（Notices of the American Mathematical Society）里自己下了结论： > "过度拟合一个回测并不难（事实上，前面的定理表明，不这样做才难），所以我们怀疑，学术期刊上发表的回测有很大一部分可能具有误导性。" 他们是对的，而且这已被测量。Hou、Xue 和 Zhang 汇集了 452 个已发表的异常，在单一一致的程序下复现了每一个。65% 连 1.96 的 t 统计量都没过。把门槛提高到 2.78——这是多重检验所要求的——82% 失败。不到五分之一的同行评审异常能经得起诚实的复现。 而幸存者会衰减。McLean 和 Pontiff 通过三个阶段追踪了 97 个异常：样本内每月 0.582%，样本外 0.402%，发表后 0.264%。第一次下跌是过度拟合，被测量出来了。第二次是其他人读论文并把它交易掉。 一个已发表的优势，交付约其回测所声称的 45%。按你数字的 45% 来规划业务。如果在那里都不可行，那它就是不可行——你只是还没等足够久去发现。 同批作者给出的实用警告，比任何总结都更到位： > "'过去表现不代表未来结果'这句标准警告，低估了投资于过度拟合回测的风险。" 问题从来不是"这个回测好不好"。而是"在它出现之前，我掷了多少次"。 5. 你实际留下的是什么？ 最后一个公式是人们最难相信的一个，也是为什么一个组合可以有正的期望回报、却仍把你带到零的原因。 这是一个游戏。每一轮，掷一次硬币。正面，你的财富增长 50%。反面，下跌 40%。公平硬币，没有费用，没有把戏。 每轮的期望值： 每轮正百分之五。每个期望值计算都说永远玩下去。 现在算一下一个真实玩家实际会发生什么。在足够多轮之后，正面和反面以大致相等的数量出现，财富被两者同时相乘： 同一个游戏。期望上正百分之五，现实里负百分之五。从一万美元开始，玩 100 轮： 两个数字都是对的。平均值确实在上升——被一小撮天文数字般幸运的路径扛着。你不在其中。你只有一条路径，而一条路径是衰减的。 Ole Peters 花了十年把这个论点论证进经济学，他说得很直白： > "财富的期望值通常并不反映随时间发生的事。" 而在《Nature Physics》上，关于为什么这不是一个脚注： > "因此，得知经济学理论的主流表述——期望效用理论及其后代——不加区分地假设了遍历性，可能会令人惊讶。" 一般形式是：你所经历的增长速率，是你回报的对数的平均值，而不是回报的平均值： 因为对数对损失的惩罚重于对同等收益的奖励，所以你收到的数字总是小于或等于展示给你的数字。只有当每一期都完全相同时，它们才相等。这个差距有个名字——方差拖累（variance drag）——它随波动率增长。 你见过它，只是没认出来。一只基金宣传 +50%、−50%、+50%，并称之为 16.7% 的平均值。你的钱走了 $100 → $150 → $75 → $112.50。那是每年 4.0%，不是 16.7%。没人撒谎。他们用了讨喜的那个平均值；描述你账户的是另一个。 现在闭环了。Kelly 在 1956 年正是为了这个原因推导出他的公式，并在结论里这样说： > "每一次下注，他都最大化其资本对数的期望值。原因与他赋予金钱的价值函数无关，仅仅因为对数在重复下注中是可加的，且大数定律适用于它。" 这篇文章的第一个公式，存在的意义就是最大化第五个。下注规模不是"栓在策略上的风险管理"。它是让你收到的回报、变得像你被承诺的那个回报的唯一办法。 平均值描述的是一群你不在其中的人群。你在时间里只有一条路径，而一条路径的算术，不是平均值的算术。 整套工具箱，一屏看完 五行。没有一行包含预测。 哪里会失效 一套没有失效模式的公式，就是销售话术，所以这里给出三个。 Kelly 假设你知道自己的优势。公式把 p 当作给定的。现实中你是估计出来的，而如果你高估了它，Kelly 会交给你一个过大的下注规模——正好落在惩罚不对称的那个区域。这就是使用分数 Kelly 的真正原因，而且它不是保守主义。它是对"你的输入本身也是估计"这一事实的修正。 容量公式假设你的优势不依赖于规模。对大多数策略这成立。但任何来自提供流动性、收割价差、或围绕订单簿失衡交易的任何优势，都会随你推进而缩小，叠加在已经上升的成本之上。对这些，真实容量低于公式所说，有时低很多。 而 Y 其实不是 1。它是一个拟合常数，随市场、工具和时间尺度而变化，通常落在 0.3 到 1.5 之间。用 1 让你保持诚实，但使输出成为一个量级估计，而不是精确极限。这就是为什么有用的问题从来不是"我的容量是不是正好 $500,000"。而是"我是处在它的十分之一、正好在它、还是远远超过了它"。那个答案经得起一切不确定性。 Emanuel Derman 和 Paul Wilmott，在 2008 年危机之后写的那份文件里，说了每个使用这些公式的人都该放在眼前的话： > "关于任何金融模型最重要的问题是：它有多可能是错的，以及尽管有这些假设，它有多有用。" 以及，在同一页末尾的誓言里： > "我将记住，我没有创造这个世界，而它并不满足我的方程式。" 值得静坐思考的问题 五个公式。一个决定你的下注规模，一个决定你的成本，一个决定你的天花板，一个决定这一切是否曾经真实，一个决定什么能经得起时间的流逝。它们之间解释了持有一模一样仓位的基金与散户账户之间的大部分距离——而这段距离里没有一分是预测。 所以这里是那个问题。 如果明天你可以得到两样之一：一个比你当前最好的信号强两倍的信号，或者执行成本减半——你选哪个？ 在回答之前，把两者都跑一遍容量公式。优势翻倍让容量乘四。Y 减半也让容量乘四。它们是一样大小的礼物，这几乎肯定不是你所预期的——而哪个对你实际更大，完全取决于你相对于 Q* 的位置。 大多数人从没算过自己坐在哪里。这才是这篇文章里真正的优势，而且它不花一分钱。 如果这改变了你读回测的方式——关注 @Di_Krass_ 你刚读到的，是约二十个静静决定钱到底怎么赚的话题之一，而它们没有一个在你待过的任何地方被教授过。 接下来的每一篇都和这篇一样。平实文字下的真数学，每个数字都是算出来的而不是转述的，结尾让你用不同的眼光看待某个你昨天才看过的东西。 接下来： 那个在 1900 年解决了市场、却默默无闻死去的人。一篇博士论文，比爱因斯坦早五年描述了随机运动，评分只是"honorable"，在华尔街把一切都建在它上面之前，被搁置了半个世纪。 那个没人收到的平均值。为什么一个期望值为正的游戏，把几乎每个玩家都带到零，以及为什么"平均"这个词有五种不同含义——其中四种被用来卖给你东西。 一只原地不动的股票，和一台从中印钞的机器。Claude Shannon 的恶魔：再平衡如何从一个毫无回报的资产里榨出真实回报。 NASA 为登月而建它。量化交易员用它交易。那个把信号从噪音里分离出来的滤波器，在月球着陆里、在买卖价差里——同一个方程式，相隔六十年。 难懂的东西，讲一次，讲对。你不会两次偶然撞见这样的内容流。 Tags: # X # Finance Related articles How to Build a 24/7 Market Making Desk on Grok Bot (Complete Guide) Bookmark This - Grok Bot AI Finance