python 凯利公式_阜新量化投资爱好组

查看之前文章请点击右上角，关注并且查看历史消息，还可以在文章最后评论留言。谢谢您的支持！

回测一

在此回测里，我们使用单个股票做仓位控制：w = return/variance

在实际使用中我加了个normalizer使得return和variance的数值大致在[0,1]之间w = return/(variance*normalizer)如果不想要normalizer，可以设置normalizer=1，结果是收益63%，回撤25%

可以看出，在股票上涨时仓位会逐步增加，而出现下跌时，仓位会迅速减小来减少回撤

多个股票的话就不用加normalizer了，因为直接加和就能归一化，所以感觉凯利公式做股债平衡或长期的多标的配比效果会好一点

大家可以在return和variance的计算上进一步改善，比如拿一些回归模型来预测接下来的return，使用garch或其他模型来计算variance，效果应该会更好

回测二

【过往文章】

0.【重！磅！干！货！】互联网金融之量化投资深度文本挖掘——附源码文档

1.【机器学习课程】深度学习与神经网络系列之绪论介绍

2.【Python机器学习】系列之线性回归篇【深度详细】

3.多因子策略系列(一)——因子回溯测试的总体框架

4.Python机器学习：数据拟合与广义线性回归

5.【分级基金】之分级A的隐含收益率研究分析

6.【精华干货】Quant 需要哪些 Python 知识

7.【干货】量化投资国内外很棒的论坛网站

8.朴素贝叶斯模型(NBM)详解与在Ma