综合框架内核：Kelly + Bayesian + 决策树 + 风险控制

所有规则必须能装进这个圆

交易实操·支柱③「决策引擎」第 1 讲 / 共 34 讲

**预计时间：**35 分钟读 + 10 分钟做习题 = 45 分钟。

---

前言

在 0001 市场规则总览 中我们确认了 CN 个人投资者可达的市场边界。在 0002 波动率与状态识别 中我们学会了用 HV（Historical Volatility，历史波动率）分位数识别状态。在 0003–0005 时间基础 三讲中，我们看到时间是最贵的成本、复合市场的 b（赔率）必须包含时间衰减补偿。这些铺垫都是为这一讲服务——把所有零件装进同一台机器。

交易失败的人分两类。一类是框架本身错（负期望），另一类是框架对了但执行崩（p 估计错了、b 估错了、风控破了、心理断了）。本课只解决前者——给你一个数学上自洽的决策内核。后续 0007 EV + Bayesian 更新、0008 Kelly + ruin probability、0009 出入场规则：b 的推导、0010 批判性思维 + 信号质量 会逐个拆解执行端的细节。

为什么”单一框架”是 hard requirement：方法论派系叠加的代价是变量互相污染。例：“我自称基本面投资者，但用固定天数均线做止损”——止损线来自波动率（市场参数），与估值无关；用固定百分比做止损会破坏 b 的赔率估计，让 Kelly f*（最优仓位分数）的输入变成垃圾。把所有规则统一到同一组变量（p / b / cost / safety / time / ruin_prob / capacity / liquidity / correlation），才能保证数学自洽。

---

1. 底层：4 个数学工具

框架内核由 4 个数学工具支撑。它们不是「选一个用」，而是同时在每笔交易中运行。

1.1 Kelly criterion（凯利判据）——仓位大小

离散（二元胜负）形式：

$$f^* = \frac{b \cdot p - q}{b}$$

其中 p 是胜率，q = 1 - p 是败率，b 是盈亏比（盈利 / 亏损）。推导依据是对数效用最大化——长期财富增长率最大的仓位是 f*。f* 的经济含义：每押一份钱的期望对数增长最大；高于 f* 会因方差过大导致 ruin（破产）加速，低于 f* 是浪费正期望。

连续形式（用于资产价格路径）：

$$f^* = \frac{\mu - r_f}{\sigma^2}$$

其中 μ 是期望年化收益，r_f 是无风险利率，σ² 是年化方差。这与离散形式在 b=1 的极限下一致。两个形式见 数学·0007 盈亏不对称 与 数学·0004 复利。

worked example（离散）：胜率 p = 0.6，盈亏比 b = 1.5，则 q = 0.4。

$$f^* = \frac{1.5 \times 0.6 - 0.4}{1.5} = \frac{0.9 - 0.4}{1.5} = \frac{0.5}{1.5} \approx 0.333$$

意味着33.3% 仓位在长期对数效用下最优。

R1 三问自检：

• ① 影响变量：f（仓位分数）
• ② 推导依据：数学（对数效用最大化）
• ③ trade-off：放大仓位 → 期望对数增长更高、但 ruin probability 指数上升（见 1.4）

1.2 Bayesian update（贝叶斯更新）——概率更新

$$p_{\text{new}} = \frac{P(\text{evidence}|\text{win}) \cdot P(\text{win})}{P(\text{evidence})}$$

推导依据是条件概率定义。在交易中：先验 P(win) 是入场前的胜率估计，证据 evidence 是新出现的信息（财报、宏观数据、对手盘异动），P(evidence|win) 是”如果这是真机会，看到这个证据的概率”——即似然。每次新信息都更新 p_new。完整推导见 数学·0008 贝叶斯定理 与 统计·0001 频率派 vs 贝叶斯。

worked example：你入场时 p = 0.6（先验）。财报发布后出现两种证据：(A) 利润超预期 → P(A|win) = 0.7、P(A|lose) = 0.3；(B) 同行已发布预警 → P(B|win) = 0.4、P(B|lose) = 0.6。计算后验：

$$P(A) = 0.7 \times 0.6 + 0.3 \times 0.4 = 0.42 + 0.12 = 0.54 \\ p_{\text{new}} = \frac{0.7 \times 0.6}{0.54} \approx 0.778$$

b 估计不变则 f* 从 0.333 → 0.511——仓位应加。反之出现 (B) 则 p → 0.4，f* 变负，应离场。

R1 三问自检：

• ① 影响变量：p（胜率估计）
• ② 推导依据：数学（条件概率）
• ③ trade-off：先验越强（先验方差小）→ 后验越难被撼动；先验越弱 → 噪声被误当信号

1.3 Decision tree（决策树）——结构化选择

每个决策点列出 (动作 / 概率 / 收益) 三元组，回溯到当前节点求 EMV（Expected Monetary Value，期望货币价值）。核心三件套：① EMV（期望值） ② posterior probability（后验概率，每条路径的联合概率） ③ VoI（Value of Information，信息价值——多等一条信息换来的期望增量）。完整推导见 数学·0015 决策树 与 数学·0005 决策树。

worked example：某标的 X 出现两个分支——

• 上涨路径：概率 0.55 → 盈利 +15%
• 下跌路径：概率 0.45 → 亏损 −8%

EMV = 0.55 × 15% + 0.45 × (−8%) = 8.25% − 3.6% = +4.65%——正期望。但还要算 ruin probability（见 1.4）才能决定仓位，不能直接全仓。

R1 三问自检：

• ① 影响变量：p 与 b（每条分支的概率与赔率）
• ② 推导依据：数学（期望值定义）
• ③ trade-off：分支越多 → 计算复杂度↑、主观判断噪声↑；分支太粗 → 关键尾部事件被合并消失

1.4 Ruin probability（破产概率）——风险上界

简化形式（独立同分布二元赌博）：

$$P(\text{ruin}) \approx \exp(-2 \cdot p \cdot q \cdot f \cdot T \cdot b)$$

其中 T 是交易次数（不是日历时间），f 是实际仓位。推导依据是随机游走理论的首达时分布——可以直观理解为「正期望越大、仓位越小、胜率越极端、b 越大，破产概率指数衰减」。完整推导与杠杆上限见 0008 Kelly + ruin probability。

worked example：p = 0.55、q = 0.45、f = 0.2、b = 1.2、T = 100 次。

$$P(\text{ruin}) \approx \exp(-2 \times 0.55 \times 0.45 \times 0.2 \times 100 \times 1.2) = \exp(-11.88) \approx 6.9 \times 10^{-6}$$

百万分之七，几乎为零。

R1 三问自检：

• ① 影响变量：f、T、p、b、ruin_prob
• ② 推导依据：数学（随机游走首达时）
• ③ trade-off：把仓位降到原 f* 的 50%（half-Kelly）→ ruin probability 指数下降，但期望对数增长同时下降到 75%

---

2. 入场决策 = Kelly 推导

2.1 唯一规则：f* > 0 才入场

$$\boxed{\text{入场 iff } f^* > 0}$$

等价形式：

• 离散：b · p > q（期望值 > 0）
• 连续：μ > r_f（超额收益 > 0）

任何不满足 f* > 0 的「机会」都不入场，无论看起来多么「确定」。这是反直觉但数学上必须的：负期望的交易下注再多都是亏损。期望值 + 期望对数最优化的数学推导见 数学·0007 盈亏不对称。

2.2 为什么”if 分位数 then X%“是错的

常见 ad-hoc 规则：「如果沪深 300 PE 分位数 < 30%，则买入 30% 仓位」。R1 三问检验：

• ① 影响变量：全部 9 个变量都没有数学定义——“30%” 从哪里来？
• ② 推导依据：无——历史回测？哪个样本期？幸存者偏差如何处理？
• ③ trade-off：没有量化——30% 与 20% 在期望上差多少？没有。

正确做法是把 PE 分位数作为 p 与 b 的输入（如低 PE → b 期望更大 → f* 更大），而不是直接决定仓位大小。详见第 5 节。

2.3 三种 f* 等价形式的应用边界

形式	适用场景	关键参数
离散 f* = (b·p − q) / b	已知胜率赔率、二元胜负（期权、事件驱动）	p、b 估计
连续 f* = (μ − r_f) / σ²	资产配置、ETF、再平衡	μ、σ 估计
多资产 Kelly	组合	见 0015 多资产 Kelly 组合

---

3. H1–H6 假设清单 + 假设破坏后的具体动作

Kelly 公式不是免费的——它依赖 6 个隐含假设。任何一个被破坏，f* 都不再是最优。下面的 H1–H6 列出每个假设破坏后的具体动作，不是”调整一下”。

H1：对数效用（你真的是对数效用吗？）

假设：投资者的效用函数是 U = log(W)。

假设破坏：你实际上比 log 更厌恶风险（损失厌恶的幸存机制，见 生物·0010 损失厌恶）→ Kelly f* 给你一个「数学上最优但心理上睡不着」的仓位；或者你比 log 更激进（overconfidence）→ Kelly 反而低估了你的风险承受。

具体动作：

• 比 log 更厌恶（多数散户）→ safety_factor = 0.3（1/3-Kelly）
• 与 log 一致 → safety_factor = 0.5（half-Kelly，行业共识稳健值）
• 比 log 更激进（极少见，须自我确认）→ safety_factor = 0.7

为什么不是”凭感觉调整”：1/3-Kelly 与 half-Kelly 的 ruin probability 在数值上差几个数量级（指数项）。safety_factor = 0.3 vs 0.5 是数学决定的，不是偏好决定的。

R1 三问：

• ① 影响变量：safety（safety_factor）
• ② 推导依据：实证数据集（Thorp 1997、MacLean–Ziemba 长期跟踪）+ 数学（对数效用是上限）
• ③ trade-off：safety_factor ↓ → 期望对数增长 ↓、ruin_prob ↓（指数级）、心理可承受性 ↑

H2：无限时间（你能等到 N→∞ 吗？）

假设：交易可以无限重复，长期增长率有意义。

假设破坏：时间有限（资金有用途、有退休日、有心理损耗），N 不是无穷。有限 N 下 Kelly 仍然最优，但 confidence interval 加宽，方差不可忽略。

具体动作：

时间窗口	safety_factor	理由
< 1 年	0.2（1/5-Kelly）	样本太少，方差主导
1–3 年	0.3（1/3-Kelly）	置信区间仍宽
3–10 年	0.5（half-Kelly）	经典稳健值
10 年以上	0.5–0.7（结合 H1 调整）	Kelly 渐近收敛

禁止：「60 天没信号就半仓」是 ad-hoc 时间衰减规则，破坏 H2 的数学结构，应改用 VoI（Value of Information） 决策——多等一条信息换来的期望增量 > 0 才等。

R1 三问：

• ① 影响变量：safety、time（时间窗口）
• ② 推导依据：数学（Kelly 渐近收敛速率）
• ③ trade-off：safety ↑ → 期望 ↓、方差 ↓、心理 ↑

H3：已知概率（你真的知道 p 吗？）

假设：p 是已知的真实胜率。

假设破坏：p 估计本身有误差。真实胜率未知，p_估计 是随机变量，分布未知。f* 对 p 高度敏感——p = 0.55 vs p = 0.5 对应的 f* 差异极大。

具体动作：

1. 每笔交易后做 Bayesian 更新（见 1.2）——先验 → 后验的循环
2. 敏感性分析：把 p 上下浮动 ±10%，若 f* 变化 > 50%，则此机会不入场（p 估计太脆弱）
3. 保守估计：用悲观 p（= 先验 − 1σ）算 f*，而不是用点估计

R1 三问：

• ① 影响变量：p（胜率估计）
• ② 推导依据：数学（贝叶斯更新）+ 实证（p 估计的标准误差分布）
• ③ trade-off：保守估计 → f* ↓、但 f* 的可靠性 ↑

H4：无成本（你的交易真的零摩擦吗？）

假设：交易无手续费、无滑点、无税。

假设破坏：A 股双边交易费约 0.025% × 2 = 0.05%（万分之 2.5 印花税 + 佣金），外加滑点 0.05–0.3%（按股票流动性不同）。

具体动作：

• f* × (1 − round_trip_fee − slippage − tax)：所有成本从仓位中预扣
• 策略期望收益 < 4% 年化 → Kelly 公式退化 → 不应使用 Kelly，直接放弃或改用更简单定投
• 成本评估见 0025 执行细节

R1 三问：

• ① 影响变量：cost（交易摩擦）、f（最终仓位）
• ② 推导依据：监管硬规定（A 股印花税 0.1% 单边）+ 物理约束（订单簿深度）
• ③ trade-off：成本 ↑ → f* ↓，但若期望收益 < 成本 → 直接不入场

H5：连续再平衡（你能按需瞬时调整吗？）

假设：可以连续再平衡仓位。

假设破坏：T+1（次日才能卖）、停牌无法交易、单日涨跌幅限制（±10%、±20%）、市场休市。再平衡不连续 → Kelly 公式的「即时调整」假设破坏。

具体动作：

• 在 f* 中预扣 1–2% 的滑点缓冲（覆盖停牌、涨跌停造成的延后成交）
• 高换手策略必须额外扣除「再平衡摩擦」（每多一次调仓 = 多一次成本）

R1 三问：

• ① 影响变量：cost、f
• ② 推导依据：监管硬规定（T+1、涨跌幅限制）
• ③ trade-off：预扣 ↑ → f* ↓、实际成交确定性 ↑

H6：单一资产（你能只持有一个标的吗？）

假设：组合只有一个资产。

假设破坏：实际投资组合含多个标的，标的间相关性 ≠ 0（特别在 stress 期间 correlation → 0.8，见 0031 多资产相关性专题）。

具体动作：

• 每个标的独立计算 f*(safe)
• 组合层用多资产 Kelly 公式（不是简单相加），见 0015 多资产 Kelly 组合
• 「历史 252 日 correlation」不能直接用于组合 Kelly（stress 期间相关结构会剧变）。用正交性数学结构（delta-neutral 套利 / 配对交易 / 跨期套利 / ATM-IV vs 历史 vol）识别真正独立的对冲源

R1 三问：

• ① 影响变量：correlation、f（组合层）
• ② 推导依据：数学（copula 与 stress covariance）
• ③ trade-off：独立假设 → 公式简单，但风险被低估

---

4. 仓位计算：单一公式

4.1 f*(safe) 完整公式

$$\boxed{f^*(\text{safe}) = \underbrace{\frac{b \cdot p - q}{b}}_{\text{Kelly 公式}} \times \underbrace{(1 - \text{round\_trip\_fee} - \text{slippage} - \text{tax})}_{\text{成本扣除}} \times \underbrace{\text{safety\_factor}}_{\text{H1/H2 调整}}}$$

其中 safety_factor 由 H1（个人效用）和 H2（时间窗口）共同决定（见第 3 节表）。

4.2 Worked example：p = 0.6, b = 1.5

输入：p = 0.6、b = 1.5、q = 0.4、round_trip_fee = 0.5%、slippage = 1%、tax = 0、safety_factor = 0.5（half-Kelly，与 H2 3–10 年一致）。

Step 1 — Kelly：

$$f^* = \frac{1.5 \times 0.6 - 0.4}{1.5} = \frac{0.5}{1.5} \approx 0.333$$

Step 2 — 成本扣除：

$$f^*(\text{cost}) = 0.333 \times (1 - 0.005 - 0.01 - 0) = 0.333 \times 0.985 \approx 0.328$$

Step 3 — 安全因子：

$$f^*(\text{safe}) = 0.328 \times 0.5 \approx 0.164$$

决策：f*(safe) ≈ 16.4% > 0 → 入场，仓位 16.4%。

若 f*(safe) ≤ 0，不入场（无论分位数、PE、新闻、情绪如何）。这是第 6 节「永远不入场 = 模型正确输出」的来源。

4.3 多市场推广

不同市场的参数选择差异（不是规则差异）：

市场	cost 预扣建议	关键 trade-off
A 股	0.5–1% + slippage	T+1、±10% 涨跌停
港股通	0.6–1.5% + slippage	T+2、汇率摩擦
美股 / ETF	0.1–0.3% + slippage	T+0、隔夜跳空
商品期货	0.05–0.2% + slippage	强平线、保证金追缴
期权	0.3–0.8% + slippage	时间衰减（见 0022–0024 期权专题）
加密资产	0.1–0.5% + 极端 slippage	24/7、隔夜风险

框架不变，参数变。这是「市场是参数不是分类」的实操体现（见 0001 市场规则总览）。

---

5. 入场信号 = p 和 b 的输入

5.1 信号是变量，不是派系

常见错误：把”某些常见技术指标（如 N 日均线 + 量比阈值 + 振荡指标阈值）” 当成入场规则。R1 三问检查：

• ① 影响变量：信号本身没有直接定义任何变量
• ② 推导依据：历史回测（幸存者偏差、过拟合）
• ③ trade-off：没有

正确框架：每个信号都是 p 或 b 的输入。

信号类型	影响变量	例子
估值信号（PE/PB 分位）	b（向下空间）	PE 分位 < 20% → b 期望更大
趋势信号（均线、动量）	p（趋势持续概率）	站上 60 日均线 → 趋势胜率上修
均值回归信号（偏离度）	p（回归概率）	RSI < 30 → 均值回归胜率上修
资金流信号（量比、北向）	p（信息优势）	北向连续 5 日净买入 → 先验更新
财报信号（盈利超预期）	p（基本面胜率）	通过 Bayesian 更新
事件信号（并购、解禁）	p 与 b 同时	视事件类型拆解

关键：这些信号可以共存于同一笔交易中。你不需要选「我属于哪一派方法论」——同一笔交易可以同时用估值（b 输入）+ 趋势（p 输入）+ 资金流（p 输入）。它们通过 Bayesian 更新融合成一个综合 p，然后代入 Kelly。

5.2 信号质量的批判性思维

不是所有信号都是等价的。信号质量评估见 0010 批判性思维 + 信号质量。核心要点：

• 过拟合陷阱：单一信号在历史回测中 Sharpe 5，回撤 3%——大概率是 overfit
• 样本外验证：必须用样本外数据验证，in-sample 不算
• 逻辑链：每个信号必须有经济学逻辑，不能只是统计相关

5.3 关键规则：信号是后验的输入，不是规则本身

$$\boxed{p_{\text{enter}} = \text{Bayesian update}(p_{\text{prior}}, \text{all signals})}$$

所有信号同时更新 p，然后代入 Kelly 算 f*(safe)。不允许”信号 A 出现 → 跳过 Bayesian → 直接买”——这是 ad-hoc 路径。

---

6. “永远不入场” = 模型正确输出

6.1 不入场是正常状态

如果你连续 6 个月 f*(safe) ≤ 0，这是模型的正确输出。市场被高估、胜率赔率不匹配、期望为负——这时正确的动作是持有现金或减仓，不是「凭感觉买点什么」。

禁止：「市场永远有机会」「空仓就是错过」——这两句话没有数学内容，R1 三问全失败。

6.2 何时重新评估

• 新信息出现：财报、宏观、流动性变化 → 重新算 f*(safe)
• 时间衰减：持有现金不是免费——通胀成本、机会成本都在累计；评估频率见 0003 时间作为成本
• 不要做：等 60 天后「强制半仓」——这是 ad-hoc 时间衰减规则，破坏 H2 数学结构

6.3 现金是仓位的一种

零仓位 = f = 0 = 公式输出。零仓位不是失败，是「框架在等待正期望机会」。详见 0030 资金管理。

---

7. 现金管理：仅限 T+0 / T+1 流动性

7.1 三个合法层级

工具	流动性	收益率	战术可用性
活期存款	T+0	0.05–0.3%	立即可用
货币基金	T+0 / T+1	1.5–2.5%	次日可用
国债逆回购 GC001	T+0（盘中）	当日 SHIBOR	当日可用

7.2 明确禁止：大额存单

大额存单（CD）不能用作现金管理工具。R1 三问：

• ① 影响变量：liquidity（流动性，恶化）
• ② 推导依据：监管硬规定（CD 提前支取按活期计息）
• ③ trade-off：收益率 ↑ 1–2% → 流动性 ↓ 至「锁定期满」

CD 是投资，不是现金。战术调仓需要 T+0/T+1 流动性，CD 锁定期 1–5 年不能满足。详见 0030 资金管理 第 2 节。

7.3 货币基金的特殊处理

• 节假日：周四买 T+1 周一可赎，周三买周四可赎——周末不计收益
• 大额赎回：货币基金有 1 万 / 单日上限，超出部分 T+1

---

8. R1 三问检查清单

每一条你想加进交易系统的规则，必须能回答：

1. 影响框架哪个变量？ p / b / cost / safety / time / ruin_prob / capacity / liquidity / correlation
2. 推导依据是什么？ 数学 / 经验数据集 / 监管硬规定 / 物理约束
3. trade-off 是什么？ 做 X 放弃了什么？承担了什么？期望值变化如何？

8.1 三个通过 / 不通过的例子

例子 A — 通过：「指数 PE 分位 < 20% 时，b 的期望增加 30%」

• ① 影响变量：b
• ② 推导依据：实证数据集（低估值长期回报）+ 数学（赔率定义）
• ③ trade-off：b ↑ → f* ↑ → 期望 ↑，但样本量小时 b 估计不稳

例子 B — 不通过：「60 天没信号就半仓」

• ① 影响变量：无法回答（时间衰减是 ad-hoc）
• ② 推导依据：无法回答（无数学公式）
• ③ trade-off：无法回答（未量化）

例子 C — 不通过：「大额存单做现金管理」

• ① 影响变量：liquidity（变差）
• ② 推导依据：监管硬规定（CD 锁定期）
• ③ trade-off：收益率 ↑、流动性 ↓——但战术调仓需要流动性，结论：禁止

8.2 R1-R14 全清单与本课对应

完整 R1-R14 硬性要求见 trading README 末尾。本课覆盖：

• R1：R1 三问检查清单（本节）
• R2：禁止派系叠加（贯穿全课）——禁止把不同方法论的规则混用而不经 R1 三问检验
• R3：入场信号 = p 与 b 的输入（第 5 节）
• R4：风险阈值 = ruin probability 数学推导（第 1.4 节）
• R7：组合 = 多资产 Kelly 公式（第 3 节 H6）
• R9：现金管理 = 流动性分层（第 7 节）
• R12：多市场统一框架（第 4.3 节）

---

实操产出物

完成本课后，你应该产出：

1. f(safe) 计算器*：Excel / Python 脚本，输入 p、b、cost、safety_factor，输出 f*(safe) 与决策（入场 / 不入场）
2. 个人 safety_factor 矩阵：行=时间窗口（< 1 年 / 1–3 年 / 3–10 年 / 10 年+），列=效用函数（更厌恶 / 一致 / 更激进），填入具体数值
3. H1–H6 自查表：每笔交易前过一遍——本笔交易中哪个假设被破坏？做了什么补偿？
4. 入场信号登记表：列出你常用的 5–10 个信号，每个标注「影响 p 还是 b」「数据源」「回测 Sharpe」「样本外验证状态」
5. R1 三问审计日志：任何想加入系统的规则，先写 R1 三问答案，存档

---

练习题

---

交叉引用

数学基础

• 数学·0004 复利与指数增长——Kelly 长期增长率来源
• 数学·0007 盈亏不对称——b 的概念基础
• 数学·0008 贝叶斯定理——p 更新的核心
• 数学·0015 决策树——多分支期望值

统计与认知

• 统计·0001 频率派 vs 贝叶斯——为何贝叶斯更适合交易
• 生物·0010 损失厌恶——为何散户多数比 log 更厌恶（H1 的实证依据）
• 生物·0008 启发式 vs 偏误——按派系选规则本身就是认知偏误

后续课程

• 0007 EV + Bayesian 更新
• 0008 Kelly + ruin probability——杠杆上限推导
• 0009 出入场规则：b 的推导——止损/止盈如何定 b
• 0015 多资产 Kelly 组合——H6 的完整展开

---

本课用户原话出处

“不要给我按方法论派系切分（纯 Kelly / 纯技术 / 纯价值）的体系。所有派系都是 ad-hoc 叠加。我要一个数学框架，能回答所有问题。”

“f*(safe) = f* × (1 − cost) × safety_factor，三个乘子每个都有数。每个新规则必须能装进这个圆。”

“我连续 6 个月没有入场，不是因为我没看到机会，是因为 f*(safe) ≤ 0。这是模型正确输出，不是失败。”

“大额存单是投资不是现金。现金要 T+0/T+1。”

“止损 / 止盈决定 b，不是决定入场信号。入场信号只更新 p。”

“H1-H6 每个假设破坏都有具体动作，不是’调整一下’。safety_factor 给具体数字——1/3-Kelly、half-Kelly，不是’凭感觉’。“

---

合规声明

本课仅作为教育用途，不构成投资建议。所有数字为框架教学示例，非收益承诺。Kelly 公式与 ruin probability 公式的推导见 Thorp (1997)《The Mathematics of Gambling》、MacLean–Ziemba 系列论文，以及 0008 Kelly + ruin probability 的完整展开。投资有风险，决策请独立判断。