5D Library › 期权隐含波动率曲面、偏度溢价与垂直价差结构的定量风控 · English

第六章 分仓棘轮、凯利准则与模型外风险

「不会归零」与「没有风险」是两回事

作者的框架提出一套「三阶棘轮」分仓法:盈利的 30% 提取、30% 存入国债缓冲、40% 留在交易资本中复利,并称之为「破产免疫」。作者已确认,这一分配只对高水位以上的增量利润执行。本章把「破产免疫」这句话拆成可以证明的部分和不能证明的部分,再说明按高水位执行的棘轮在什么意义上避免了本金缩水的陷阱。

先看可以证明的部分。设每笔交易最多亏掉投入的风险资金(借方价差的最大亏损在开仓时已知),交易者每次拿交易资本 CnC_n 的固定比例 ff(0<f<10 < f < 1)作为这笔交易的最大亏损。那么无论结果如何,

Cn+1≥(1−f)Cn⇒Cn≥(1−f)nC0>0.C_{n+1} \ge (1 – f)\,C_n \quad\Longrightarrow\quad C_n \ge (1-f)^n C_0 > 0.

提取盈利只会减少增长,不会改变这个下界。所以在这两个假设下,交易资本在几何意义上永远不会归零。这是一个平凡但正确的结论。

不能证明的部分是「没有风险」。第一,资本可以无限接近零:连续亏损 10 次后只剩 (1−f)10(1-f)^{10};当资本小于一张合约的成本时,实际上已经不能交易了。第二,长期增长率取决于 ff 与提取规则,可能为负。第三,上面两个假设本身可能被打破:亏损超过计划、相邻交易的结果相关。本章依次讨论。

凯利准则:简短回顾

第 19 本《非遍历性财富动力学、凯利准则与波动率税》详细讨论过凯利准则,这里只回顾结论。若每笔交易以概率 pp 赢得风险资金的 bb 倍、以概率 q=1−pq = 1-p 亏掉风险资金,按比例 ff 下注时每笔交易的期望对数增长率为

g(f)=pln⁡(1+fb)+qln⁡(1−f),g(f) = p\ln(1 + fb) + q\ln(1 – f),

在 f*=p−q/bf^* = p – q/b 处取最大值 (Kelly 1956);按 f*f^* 下注在长期中以概率 1 胜过任何本质上不同的策略 (Breiman 1961)。g(f)g(f) 是凹函数:超过 f*f^* 后增长率下降,在约 2f*2f^* 处降到零,再往上为负。按凯利比例下注也伴随着很深的回撤;对于带漂移的布朗运动,马格登—伊斯梅尔等人给出了最大回撤期望值的解析结果 (Magdon-Ismail et al. 2004)。

注

凯利比例需要知道真实的 pp 与 bb。 实际中二者都只能从有限的交易记录中估计,第五章已经看到,几百笔交易的估计误差有多大。高估优势会使下注比例超过 f*f^*,所以实务中常用「半凯利」等更小的比例。本章的 p=0.45p = 0.45、b=1.5b = 1.5 是示意值。

作者的棘轮:只对高水位以上的增量执行

作者确认的规则(本书唯一采用的读法)是:记交易资本的历史最高值为高水位 HH。某笔交易结束后,只有当交易资本突破 HH 时,才对超出 HH 的部分执行 30% 提取、30% 存入国债缓冲、40% 留在交易资本中复利;亏损由交易资本承担,亏损之后回到原来高点之前的盈利全部留在交易资本中,不提取。

这条规则有三条可以证明的性质(作者的定义下的命题):

  • 提取只来自新高部分。 设某笔交易后资本为 C′>HC' > H,提取 0.6(C′−H)0.6\,(C' – H) 后资本为 H+0.4(C′−H)>HH + 0.4\,(C' – H) > H,新的高水位就是这个值。所以每一次提取之后,交易资本仍高于此前的最高水位,当然也高于初始本金 C0C_0;累计移出的金额恰好是 1.5(Hn−C0)1.5\,(H_n – C_0),即只来自已经实现的新高。提取本身不会侵蚀已有的本金。
  • 回撤的规律与全额复利相同。 因为下注按当前资本的比例计算,交易资本与高水位之比 Cn/HnC_n/H_n 的变化规律与不提取的全额复利完全相同。所以棘轮不会减少交易资本的回撤:交易资本回撤一半以上的概率与全额复利一样。
  • 增长率的符号不变。 高水位只在创新高时上升,每次上升都是正的。当全额复利的增长率 g(f)>0g(f) > 0 时,回撤状态会反复回到新高,所以按高水位提取的交易资本长期增长率也为正,但低于 g(f)g(f);当 g(f)<0g(f) < 0 时,迟早不再出现新高,此后与全额复利一样衰减。也就是说,提取不会把一个本来增长的策略变成衰减的策略。

这就是它避免「本金缩水陷阱」的意义:交易资本缩水只可能来自亏损本身,而不会来自提取。它不是「不会亏损」:亏损照样造成回撤,交易资本可以跌破初始本金,下注过大时(g(f)<0g(f) < 0)照样长期衰减。

对比与警示:按笔提取

另一种看起来相近的读法是按笔提取:每一笔盈利的交易都把盈利的 60% 移出交易资本,亏损则全部由交易资本承担。本书不采用这种读法,把它保留下来作为警示,因为它有一个可以证明的陷阱(作者的定义下的命题)。此时交易资本每笔的对数增长率为

gR(f)=pln⁡(1+0.4fb)+qln⁡(1−f).g_R(f) = p\ln(1 + 0.4fb) + q\ln(1-f).

它是凹函数,gR(0)=0g_R(0) = 0,gR′(0)=0.4pb−qg_R'(0) = 0.4pb – q。所以只要 0.4pb≤q0.4pb \le q,对任何 f>0f > 0 都有 gR(f)≤gR′(0)f≤0g_R(f) \le g_R'(0)\,f \le 0:交易资本的长期增长率为负,它会几何地趋向于零(虽然永远不等于零)。在示意参数下 0.4pb=0.27<q=0.550.4pb = 0.27 < q = 0.55,条件成立;要让按笔提取的交易资本增长,优势必须大到 pb>2.5qpb > 2.5q。问题出在不对称:亏损全额由交易资本承担,回本时的盈利却先被拿走六成。

下面的程序在示意参数下比较全额复利(按 f*/2f^*/2、f*f^*、2f*2f^* 下注)、本书采用的高水位棘轮(同样三种比例)与作为警示的按笔提取,每种 2 万条路径、每条 250 笔交易(以每年 50 笔计约 5 年)。「全部财富」包括交易资本、缓冲(按年 3% 计息)与已提取的金额;回撤分别按交易资本与「交易资本 + 缓冲」计算。程序还在每一条路径上检查上面第一条性质,并用一条 200 万笔交易的长路径估计高水位棘轮的长期增长率。

推导

# Fixed-fraction sizing with a capped loss, the Kelly growth rate, and the author's
# three-tier ratchet: 30 % withdrawn, 30 % to a Treasury buffer at 3 %/yr, 40 % left to
# compound. ADOPTED RULE: the ratchet applies only to the part of trading capital above
# its high-water mark (HWM); a recovery back up to the old peak is never skimmed. Shown
# for contrast and as a WARNING: skimming 60 % of every winning trade. ILLUSTRATIVE
# trades: each risks a fraction f of trading capital; it loses the whole risk with
# prob. 0.55, or gains 1.5 x the risk.
import math, random

P, B, N_TRADES, PER_YEAR = 0.45, 1.5, 250, 50

def growth(f):              # expected log growth of trading capital per trade
    return P * math.log(1 + f * B) + (1 - P) * math.log(1 - f)

def run(f, ratchet, rng, n=N_TRADES):
    cap, buf, out, hwm = 1.0, 0.0, 0.0, 1.0
    peak, dd, peak2, dd2, ok = 1.0, 0.0, 1.0, 0.0, True
    for _ in range(n):
        buf *= math.exp(0.03 / PER_YEAR)
        gain = cap * f * (B if rng.random() < P else -1.0)
        skim = 0.0
        if ratchet == "trade" and gain > 0:
            skim = 0.6 * gain
        elif ratchet == "hwm" and cap + gain > hwm:
            skim = 0.6 * (cap + gain - hwm)
        out += skim / 2; buf += skim / 2; cap += gain - skim
        if ratchet == "hwm" and skim > 0:
            ok = ok and cap > hwm                  # still above the old peak after a skim
        hwm = max(hwm, cap)
        peak = max(peak, cap); dd = max(dd, 1 - cap / peak)
        peak2 = max(peak2, cap + buf); dd2 = max(dd2, 1 - (cap + buf) / peak2)
    if ratchet == "hwm":                           # all skims = 1.5 x (HWM - start)
        skimmed = out * 2                          # (buffer interest excluded)
        ok = ok and abs(skimmed - 1.5 * (hwm - 1.0)) < 1e-9 * max(1.0, hwm)
    return cap, buf, out, dd, dd2, ok

def long_run(f, ratchet, n=2000000, seed=7):
    # long-run log growth of trading capital per trade, from one long path; the state is
    # x = capital / HWM, since sizing is proportional the scale does not matter
    rng, x, lg = random.Random(seed), 1.0, 0.0
    for _ in range(n):
        y = x * (1 + f * (B if rng.random() < P else -1.0))
        if ratchet and y > 1:                  # new high: keep 40 % of the excess
            lg += math.log((1 + 0.4 * (y - 1)) / x); x = 1.0
        else:
            lg += math.log(y / x); x = min(y, 1.0) if ratchet else 1.0
    return lg / n

if __name__ == "__main__":
    k = P - (1 - P) / B
    print(f"win prob {P}, win/loss {B}: edge {P * B - (1 - P):.3f} per unit risked,"
          f" Kelly fraction f* = {k:.4f}")
    print("  f / f*     0.25   0.5    1.0    1.5    2.0    2.5")
    print("  g x 1000" + "".join(f"{1000 * growth(x * k):7.2f}" for x in
                                  (0.25, 0.5, 1.0, 1.5, 2.0, 2.5)))
    print(f"after 10 straight losses at f*: capital x {(1 - k) ** 10:.3f}"
          " (never zero, since each loss <= f* < 1)")
    print(f"{N_TRADES} trades, 20,000 paths  median: trading  all    P(drawdown >= 50%)")
    print("                                    capital  wealth   trading  trading+buffer")
    checks = []
    for lab, f, rat in (("full compounding, f*/2", k / 2, None),
                        ("full compounding, f*", k, None),
                        ("full compounding, 2 f*", 2 * k, None),
                        ("ADOPTED: above high-water, f*/2", k / 2, "hwm"),
                        ("ADOPTED: above high-water, f*", k, "hwm"),
                        ("ADOPTED: above high-water, 2f*", 2 * k, "hwm"),
                        ("WARNING: per winning trade, f*", k, "trade")):
        rng = random.Random(19); res = [run(f, rat, rng) for _ in range(20000)]
        med = lambda x: sorted(x)[len(x) // 2]
        cap = med([r[0] for r in res]); tot = med([r[0] + r[1] + r[2] for r in res])
        p50 = sum(r[3] >= 0.5 for r in res) / len(res)
        p2 = sum(r[4] >= 0.5 for r in res) / len(res)
        print(f"  {lab:31s}   {cap:7.3f}  {tot:6.2f}   {p50:6.1%}    {p2:6.1%}")
        if rat == "hwm":
            checks.append((lab.split(", ")[1], all(r[5] for r in res),
                           sum(r[0] < 1 for r in res) / len(res)))
    print("high-water ratchet, every path: after each skim capital is still above the")
    print("  old peak, and total skimmed = 1.5 x (HWM - start): "
          + ", ".join(f"{f} {'ok' if c else 'FAILED'}" for f, c, _ in checks))
    print("  but losses still bite: trading capital ends below its start in")
    print("  " + ", ".join(f"{b:.1%} of paths ({f})" for f, _, b in checks))
    g = P * math.log(1 + 0.4 * k * B) + (1 - P) * math.log(1 - k)
    print(f"per-trade ratchet: log growth of trading capital {1000 * g:+.1f} per 1000"
          f" per trade -> x {math.exp(N_TRADES * g):.4f}")
    print("long-run log growth of trading capital per 1000 trades      f*/2     f*")
    print(f"  full compounding (exact g)                              "
          f"{1000 * growth(k / 2):5.2f}  {1000 * growth(k):5.2f}")
    print(f"  ratchet above high-water (one path, 2,000,000 trades)   "
          f"{1000 * long_run(k / 2, True):5.2f}  {1000 * long_run(k, True):5.2f}")
# win prob 0.45, win/loss 1.5: edge 0.125 per unit risked, Kelly fraction f* = 0.0833
#   f / f*     0.25   0.5    1.0    1.5    2.0    2.5
#   g x 1000   2.27   3.87   5.15   3.89   0.14  -6.12
# after 10 straight losses at f*: capital x 0.419 (never zero, since each loss <= f* < 1)
# 250 trades, 20,000 paths  median: trading  all    P(drawdown >= 50%)
#                                     capital  wealth   trading  trading+buffer
#   full compounding, f*/2              2.501    2.50    36.5%     36.5%
#   full compounding, f*                3.268    3.27    97.2%     97.2%
#   full compounding, 2 f*              0.845    0.85   100.0%    100.0%
#   ADOPTED: above high-water, f*/2     1.301    2.28    36.5%     18.4%
#   ADOPTED: above high-water, f*       1.240    3.04    97.2%     70.8%
#   ADOPTED: above high-water, 2f*      0.318    2.71   100.0%     98.6%
#   WARNING: per winning trade, f*      0.001    1.41   100.0%     38.1%
# high-water ratchet, every path: after each skim capital is still above the
#   old peak, and total skimmed = 1.5 x (HWM - start): f*/2 ok, f* ok, 2f* ok
#   but losses still bite: trading capital ends below its start in
#   27.2% of paths (f*/2), 41.0% of paths (f*), 69.4% of paths (2f*)
# per-trade ratchet: log growth of trading capital -25.9 per 1000 per trade -> x 0.0015
# long-run log growth of trading capital per 1000 trades      f*/2     f*
#   full compounding (exact g)                               3.87   5.15
#   ratchet above high-water (one path, 2,000,000 trades)    1.57   2.12

凯利比例为 0.0833,增长率在 f*f^* 时为每笔 5.15‰,在 2f*2f^* 时几乎为零(0.14‰),2.5f*2.5f^* 时为负。连续亏损 10 次后,按 f*f^* 下注的资本只剩 41.9%,但不为零。

全额复利按 f*f^* 下注时,250 笔交易后资本中位数为 3.27 倍,但 97.2% 的路径在途中经历过一半以上的回撤;按半凯利下注,中位数为 2.50 倍,这一比例降到 36.5%;按 2f*2f^* 下注,中位数只有 0.85 倍。

本书采用的高水位棘轮。 程序确认,在全部路径上,每次提取之后交易资本都仍高于此前的高水位,累计提取都等于 1.5(Hn−C0)1.5\,(H_n – C_0)。按半凯利下注时,交易资本中位数为 1.30 倍,全部财富为 2.28 倍(全额复利 2.50 倍);「交易资本 + 缓冲」回撤一半以上的概率从 36.5% 降到 18.4%。按 f*f^* 下注时,交易资本中位数为 1.24 倍,全部财富 3.04 倍(全额复利 3.27 倍),这一概率从 97.2% 降到 70.8%。但交易资本本身回撤一半以上的概率与全额复利完全相同(36.5% 与 97.2%),250 笔后交易资本低于初始本金的路径分别占 27.2% 与 41.0%,按 2f*2f^* 下注时占 69.4%:亏损照样会发生。长期增长率方面,按半凯利与 f*f^* 下注时,高水位棘轮下交易资本每笔增长 1.57‰ 与 2.12‰,为正,但低于全额复利的 3.87‰ 与 5.15‰。棘轮的价值在于把一部分财富移出风险,而不在于提高增长率。

作为警示的按笔提取验证了上面的命题:交易资本每笔的对数增长率为 −25.9‰,250 笔后中位数约为初始的 0.1%(程序中为 0.001,与公式 e250gRe^{250 g_R} 给出的 0.0015 同一量级)。全部财富的中位数为 1.41 倍,几乎全部来自早期的提取与缓冲;交易资本本身已经名存实亡。图四画出了凯利增长曲线与三种规则下交易资本的分布。

左:每笔交易的期望对数增长率随下注比例(以凯利比例 f^* 为单位)的变化,示意参数 p = 0.45、b = 1.5。右:按 f^* 下注 250 笔交易后交易资本的分布(各 5,000 条路径,对数横轴):全额复利、本书采用的高水位棘轮、作为警示的按笔提取。

模型外的风险

上面的计算假设每笔交易相互独立、亏损不超过计划、成本固定。下面的程序保持同样的平均胜率,按半凯利下注,依次加入三种在真实市场中常见的偏离:亏损在持续的「坏时期」中扎堆出现;交易者按「在借方的一半处止损」来计划风险,但有 10% 的亏损因跳空而直接亏掉全部借方(相当于计划亏损的两倍);坏时期中买卖价差变宽。

推导

# Risks outside the i.i.d. model, same ILLUSTRATIVE trades as p11 (win 1.5 x risk with
# prob. 0.45, else lose 1 x), sized at half Kelly. (1) losing streaks cluster in a
# persistent bad regime with the same average win rate; (2) a trader who sizes by a
# planned stop at half the debit is sometimes gapped through it to the full debit;
# (3) spreads widen in the bad regime. 250 trades, 20,000 paths each.
import math, random

P, B = 0.45, 1.5
F = 0.5 * (P - (1 - P) / B)                      # half Kelly

def path(rng, regimes=False, gap=0.0, widen=False, n=250):
    w, peak, dd, bad = 1.0, 1.0, 0.0, rng.random() < 1 / 3
    for _ in range(n):
        if regimes:                               # stay 0.95 (good) / 0.90 (bad)
            bad = (rng.random() < 0.90) if bad else (rng.random() >= 0.95)
            p = 0.25 if bad else 0.55             # long-run average still 0.45
        else:
            p = P
        if rng.random() < p:
            x = B - (0.2 if widen and bad else 0.0)
        else:
            x = -1.0 - (0.1 if widen and bad else 0.0)
            if rng.random() < gap:
                x = -2.0                          # the stop was gapped: full debit lost
        w *= 1 + F * x; peak = max(peak, w); dd = max(dd, 1 - w / peak)
    return math.log(w) / n, dd, w

if __name__ == "__main__":
    print(f"half Kelly f = {F:.4f} of capital at risk per trade")
    print("scenario                        growth x 1000  P(drawdown  wealth after 250")
    print("                                (median)       >= 50 %)    trades, 5th pct")
    for lab, kw in (("i.i.d. baseline", {}),
                    ("regimes (losses cluster)", dict(regimes=True)),
                    ("stop gapped in 10 % of losses", dict(gap=0.10)),
                    ("regimes + wider spreads", dict(regimes=True, widen=True)),
                    ("all three", dict(regimes=True, widen=True, gap=0.10))):
        rng = random.Random(20)
        res = [path(rng, **kw) for _ in range(20000)]
        g = sorted(r[0] for r in res)[10000]
        p50 = sum(r[1] >= 0.5 for r in res) / 20000
        w5 = sorted(r[2] for r in res)[1000]
        print(f"  {lab:30s}{1000 * g:8.2f}      {p50:7.1%}       {w5:6.2f}")
# half Kelly f = 0.0417 of capital at risk per trade
# scenario                        growth x 1000  P(drawdown  wealth after 250
#                                 (median)       >= 50 %)    trades, 5th pct
#   i.i.d. baseline                   3.67        36.6%         0.65
#   regimes (losses cluster)          4.08        65.8%         0.39
#   stop gapped in 10 % of losses     1.41        65.6%         0.34
#   regimes + wider spreads           2.18        79.7%         0.22
#   all three                        -0.17        89.6%         0.11

独立同分布时,按半凯利下注、250 笔交易中回撤一半以上的概率为 36.6%。亏损扎堆时,中位增长率几乎不变(4.08‰),但这一概率升到 65.8%,第 5 百分位的财富从 0.65 降到 0.39:平均胜率相同,风险却大得多。止损被跳空突破使增长率降到 1.41‰;三种偏离同时出现时,中位增长率变为负(−0.17‰),89.6% 的路径回撤过一半,第 5 百分位只剩初始的 11%。

此外还有程序没有模拟的风险:

  • 跳空与提前指派(第三章):借方价差的最大亏损在持有到期时封顶,但空头腿被指派而多头腿未及时处理时,敞口可以超过借方。
  • 流动性枯竭: 在市场压力中,期权的买卖价差可能成倍扩大,甚至没有报价,「按时平仓」无法执行。
  • 保证金追缴: 借方价差在两条腿都还在时没有这个问题,但交易者若同时持有贷方价差、卖出期权或使用保证金,追缴可能迫使在最坏的时候平仓。
  • 对手方与平台风险: 经纪商或清算环节出问题时,账户中的资金与头寸可能被冻结。

这些风险说明,「几何意义上不归零」依赖的两个假设在压力时期恰恰最容易被打破。

假说 · 尚未验证

事先写定的棘轮规则能减少连续亏损后加大仓位的行为(尚未确立)。 作者的假说是:把提取与仓位规则事先写成书面规则的交易者,在连续亏损之后提高下注比例的频率,低于没有书面规则的交易者。这是关于交易者行为的假说,不是关于收益的。如果在模拟交易实验中,有无书面规则的两组在连续亏损后的仓位变化没有差别,这个假说就是错的。

本章小结

在每笔亏损有上限、按固定比例下注的假设下,交易资本在几何意义上不会归零,但这不等于没有风险。凯利比例使长期增长率最大,同时伴随很深的回撤;超过约两倍凯利比例,增长率变为负。本书按作者的确认,只对高水位以上的增量利润执行三阶棘轮:提取只来自新高部分,每次提取后交易资本仍高于此前的最高水位,提取本身不会侵蚀本金,也不会改变增长率的符号;但交易资本的回撤与全额复利相同,亏损照样会使它跌破初始本金。按笔提取则是一个陷阱:只要 0.4pb≤q0.4pb \le q,交易资本的长期增长率就为负。亏损扎堆、跳空、流动性与保证金等模型外风险会显著增加回撤,甚至使增长率变为负。

参考文献

Breiman, Leo. 1961. “Optimal Gambling Systems for Favorable Games.” Proceedings of the Fourth Berkeley Symposium on Mathematical Statistics and Probability (Berkeley) 1: 65–78.
Kelly, Jr., J. L. 1956. “A New Interpretation of Information Rate.” Bell System Technical Journal 35 (4): 917–26. https://doi.org/10.1002/j.1538-7305.1956.tb03809.x.
Magdon-Ismail, Malik, Amir F. Atiya, Amrit Pratap, and Yaser S. Abu-Mostafa. 2004. “On the Maximum Drawdown of a Brownian Motion.” Journal of Applied Probability 41 (1): 147–61. https://doi.org/10.1239/jap/1077134674.

Fan, Y. (2026). Implied Volatility Surfaces, Skew Premia and Quantitative Risk Control of Vertical Spreads: Microstructure Pricing and Time-Stop Dynamics under Non-Gaussian Tails [期权隐含波动率曲面、偏度溢价与垂直价差结构的定量风控] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796765 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).