凯利公式的原理推导和应用方向

凯利公式说明的是当我们参加一项有输有赢，但是收益的数学期望大于0的项目时，我们每次应当投入多少比例的本金能保证我们的收益最大化。

举个栗子，比方我们买比赛的输赢，每一场都是64开（别问怎么知道的，问就是内幕），猜对了赢得一倍的投入资金，输了投入资金全部没有了。显然这个比赛的收益数学期望为：
$$\begin{array}{r}E(x)=(0.6\ast 1-0.4\ast 1)x=0.2x\end{array}$$
0.2倍投入资金量的数学收益，显然很有赚头。但问题就来了，我每次投入本金的多少比例可以保证收益最大呢？

举极端例子看，我每次投入100%的本金，从数学期望公式上看是收益最多的。这样固然赢起来很爽，但是我们如果输了一次，就再也不能参与这项有赚头的比赛了（没有本金了），而且也失去了原来的钱。

如果我每次都投入1%的钱，即使不考虑本金降低带来的投入降低，40%概率发生的事件连续发生100把的概率也极低了，显然这样可以很安全的让我们在长期不亏甚至赚到一些钱，但是这样的收益率可想而知不是很高。

因此我们尝试用数学方法对他建模，看看他的理论最高收益：

设赢时收益率为W，输时收益率为-L,投入的本金比例为x,有p概率赢，q概率输，则问题转化为规划问题：
$$\begin{array}{rl}maxf(x)& =(1+Wx{)}^p(1-Lx{)}^{1-p}\\ s.t.& 0\le x\le 1\end{array}$$
对x求导：
$$\begin{array}{rl}{f}^{\prime }(x)& =Wp(1+Wx{)}^{p-1}(1-Lx{)}^{1-p}-Lq(1+Wx{)}^p(1-Lx{)}^{q-1}\\ & =Wp(1+Wx{)}^{-1}f(x)-Lq(1-Lx{)}^{-1}f(x)\\ & =0\end{array}$$
即当f(x) 不为0时，即数学期望不为0时，有：
$$\begin{array}{rl}Wp(1-& Lx)=Lq(1+Wx)\\ x& =\frac{Wp-Lq}{WL}\end{array}$$
当$W=1,-L=-1$时，得到凯利公式。
用凯利公式解我们上面的问题，$x=\frac{1\ast 0.6-1\ast 0.4}{1\ast 1}=0.2$

在股票投资当中，当一个信号发生时，通过统计过往该信号带来的盈利和亏损次数，可以将其简化为我们上面的模型，这时候通过凯利公式就可以为我们带来最佳盈利了。