凱利公式完全教學：數學原理、學術實證與實戰應用

1. 什麼是凱利公式？從電話線路到賭桌的故事

凱利公式（Kelly Criterion）是由 John Larry Kelly Jr. 於 1956 年在 AT&T 貝爾實驗室（Bell Labs）提出的一套資金配置理論。令人意外的是，這個如今被全球投資人和職業投注者奉為圭臬的公式，最初根本不是為了賭博而設計的。

Kelly 當時在研究的問題是：如何在有雜訊的電話線路上最大化資訊傳輸速率。他從資訊理論的角度推導出一個結論——在擁有部分資訊優勢的情況下，存在一個最佳的「下注比例」，能最大化長期的財富增長。這篇論文發表在《貝爾系統技術期刊》上，標題為 A New Interpretation of Information Rate。

真正讓凱利公式走出實驗室的人是 Edward O. Thorp。Thorp 是麻省理工學院的數學教授，他在 1960 年代初期將凱利公式應用到 21 點紙牌計算（card counting）中，並寫了一本暢銷書《Beat the Dealer》。Thorp 的方法極其成功——他不僅在賭場贏了大量的錢，後來更將同樣的數學框架帶入華爾街，創辦了 Princeton Newport Partners 避險基金，在接近 20 年的時間裡取得了年化約 20% 的報酬率。

凱利公式的核心思想可以用一句話總結：在你有正期望值的情況下，按照勝率和賠率的比例來決定每次投入資金的百分比，能讓你的長期財富增長率達到最大。投入太少，你沒有充分利用優勢；投入太多，一次失敗可能讓你萬劫不復。凱利公式就是在這兩個極端之間找到數學上的最佳平衡點。

2. 數學推導（簡化版）

凱利公式的目標是最大化財富的期望對數增長率，也就是最大化 E[log(W)]。為什麼用對數而不是直接最大化期望值？因為對數函數反映了真實的財富效用——賺 100 萬對一個身家千萬的人和一個身家百萬的人意義完全不同。

推導過程

假設你有一個正期望值的投注機會，每次可以選擇投入總資金的比例 f。令：

• b = 淨賠率（decimal odds - 1），即每投入 1 元、贏了可以淨賺 b 元
• p = 勝率（你估計的真實獲勝概率）
• q = 1 - p（敗率）
• f = 投入資金佔總資金的比例（這就是我們要求解的值）

每次投注後，你的資金變化為：

取對數後，期望增長率 G(f) 為：

對 f 求導並令導數等於零：

解出 f*（最優投注比例）：

展開來就是：

快速記憶法

如果你覺得公式難記，可以用這個直覺版本：

當 f* 計算出來是負數時，代表這個投注的期望值為負——你不應該下注。當 f* 大於零，數值越大代表你的優勢越明顯，應該投入更高比例的資金。

3. 學術研究怎麼說

凱利公式的數學推導很漂亮，但在真實世界的表現如何？讓我們看看兩個重要的學術研究結果。

Wharton 商學院研究：全凱利的破產警示

賓州大學 Wharton 商學院的一項研究對運動投注市場進行了長達 11 年的回測分析。研究的核心發現令人警醒：

• 全凱利（full Kelly）在實際投注環境下的破產率接近 100%。原因是真實世界的勝率估計永遠存在誤差，而全凱利對輸入的勝率極度敏感——勝率只要偏差 2-3 個百分點，建議的投注比例可能翻倍。
• 半凱利（half Kelly，coefficient 0.50）配合單場投注上限 10%，是研究中表現最穩定的策略。在 11 年數據回測中，這個策略的年化報酬率約 80%，同時最大回撤控制在可承受範圍內。
• 研究建議設定一個「投注閾值」：只有當凱利公式建議的比例超過某個最低值（例如 1%）時才執行投注，這可以過濾掉大量邊際價值的機會，專注於優勢明確的場次。

Berkeley 研究：不確定性的數學處理

加州大學柏克萊分校（UC Berkeley）的研究從另一個角度切入：凱利公式在推導過程中假設勝率 p 是一個已知的精確值，但在現實中，p 本身就是一個估計值，帶有不確定性。

Berkeley 的研究者指出，當你將勝率的不確定性納入考量，最優的投注比例會系統性地低於標準凱利公式的建議值。換句話說，你對自己的勝率估計越沒有把握，你就應該投注越少。

這個發現從理論上支持了 Wharton 研究的實證結論：使用半凱利或更保守的分數凱利（fractional Kelly）不僅僅是一種「保守策略」，而是在數學上對不確定性的正確回應。

4. 全凱利 vs 半凱利 vs 四分之一凱利

理解了學術研究的結論後，你可能會問：如果全凱利太危險，那我應該用多少比例？以下是三種常見的凱利變體比較：

* 年化報酬為 Wharton 11 年回測數據的近似值，實際結果取決於勝率估計準確度和市場條件。

一個直覺的理解方式：半凱利犧牲了約 25% 的長期增長率，但換來了大幅降低的波動性和破產風險。對大多數人來說，這是一個非常值得的交易。

具體的選擇建議：

• 半凱利（0.50）：如果你有系統化的勝率估計方法（例如 AI 模型），對自己的估計有一定信心，且能承受 30-40% 的帳戶回撤。
• 四分之一凱利（0.25）：如果你剛開始使用凱利公式，或者你的勝率估計方法還在驗證階段。波動性低，適合培養紀律。
• 額外保護：無論使用哪個 coefficient，都建議設定單場投注上限（通常為總資金的 5-10%），避免極端情況下的過度集中。

5. 實戰計算：三個盤口範例

理論講完了，讓我們用三個真實的盤口類型來示範凱利公式的計算過程。以下所有範例都使用半凱利（coefficient 0.50）。

範例一：足球歐洲盤（1X2）

計算步驟：

結論：在半凱利策略下，建議投入總資金的 8.7%。這個數值低於 10% 上限，可以直接執行。如果你的總資金是 10,000 元，本場投注金額為 870 元。不想手動計算？可以使用凱利公式線上計算器即時算出最佳投注比例。

範例二：足球亞洲讓分盤

計算步驟：

結論：半凱利建議投入 4.2%。注意這個值比範例一低，反映了兩件事：第一，你的勝率估計（52%）相對保守；第二，讓分盤的賠率較高（2.10），代表本身就是一個較難贏的市場。4.2% 的投注比例是合理的。

範例三：足球大小球

計算步驟：

結論：半凱利建議投入 6.9%。這場的價值相當不錯——你估計的 58% 概率顯著高於賠率隱含的 51.3%（1/1.95），代表有明確的正期望值。

6. 凱利公式的限制與風險

凱利公式是強大的工具，但它不是萬能的。以下是你在使用時必須意識到的五個重要限制：

① 勝率估計偏差的放大效應

這是凱利公式最大的弱點。公式的 output 對勝率 input 極度敏感。舉例：如果真實勝率是 55%，但你高估為 65%，全凱利的建議投注比例可能會從 6% 暴增到 18%——整整三倍。這意味著你用了三倍的資金去追逐一個根本不存在的優勢。連續幾場這樣的錯誤估計就足以摧毀你的帳戶。

② 連敗期間的心理壓力

即使使用半凱利，在連敗 8-10 場後（這在運動投注中完全正常），帳戶可能回撤 30-40%。數學上這是可以接受的，因為凱利公式是比例投注——帳戶越小，投注金額也越小，永遠不會真正歸零。但人的心理不是數學——看到帳戶縮水 40%，大多數人會恐慌、偏離策略、開始追注，最終導致更大的損失。

③ 假設資金無限可分割

凱利公式假設你可以精確地投注任何金額，例如總資金的 4.18%。但在實務中，博彩公司通常有最低投注額限制，而且你不可能投注 418.37 元這樣的精確數字。雖然四捨五入的影響很小，但在資金較少的情況下（例如總資金只有 1,000 元），這種離散化誤差會更顯著。

④ 假設事件獨立

凱利公式假設每次投注是獨立事件。但在運動投注中，這個假設並不總是成立。例如：同一支球隊連續三場比賽，球員的疲勞度是累積的；同一聯賽的多場比賽可能受到相同天氣條件的影響。當你同時下注多場相關比賽時，實際的風險暴露會高於凱利公式計算的結果。

⑤ 過擬合（Overfitting）風險

如果你用歷史數據訓練了一個模型來估計勝率，這個模型可能在歷史數據上表現完美，但在未來的比賽中失靈。這就是機器學習中的經典問題——過擬合。使用過擬合的勝率估計去跑凱利公式，會得到過度自信的投注比例，結果往往是災難性的。解決方法是使用交叉驗證、保留測試集、以及使用分數凱利來為模型的不確定性留出安全邊際。

7. 與固定比例策略的比較

很多投注者不使用凱利公式，而是採用固定比例策略——每場投注總資金的固定百分比。這種方法更簡單，但效果如何？以下是基於 10,000 場蒙地卡羅模擬（Monte Carlo simulation）的比較結果：

模擬條件：初始資金 $10,000，平均勝率 55%，平均賠率 1.95，1,000 場投注，重複模擬 10,000 次取中位數。

幾個值得注意的發現：

• 半凱利的終端資金中位數最高，約為固定 1% 策略的 3.3 倍。這就是凱利公式的威力——它根據每場的優勢動態調整投注大小，在大優勢時投多、小優勢時投少。
• 固定 1% 的破產率為零，是最安全的策略。但代價是增長速度最慢。
• 等額投注表現最差，不僅終端資金低，破產率也最高（4.2%）。因為它不根據資金變化調整注額——帳戶縮小時還是投一樣的金額，加速了虧損。
• 半凱利的 Sharpe ratio 最高（1.82），意味著它的風險調整後報酬最優。

結論：如果你有可靠的勝率估計方法，半凱利在風險調整後的報酬上明顯優於任何固定比例策略。但如果你的勝率估計不穩定，固定 1-3% 是更安全的選擇。

8. AI 如何搭配凱利公式使用

前面反覆提到，凱利公式的最大弱點是對勝率估計的敏感性。那麼，如何提高勝率估計的準確度？這正是 AI 能發揮最大價值的地方。

傳統的勝率估計方法通常只考慮單一維度的數據——例如只看歷史對戰記錄，或只看近期戰績。但運動比賽是多因素影響的複雜系統。OddsForge 的 AI 引擎採用五信號融合分析：

• 24 家莊家即時賠率：跨莊家的賠率差異反映了市場對概率的共識和分歧
• 賠率走勢變化（line movement）：開盤到封盤的賠率變動揭示了大資金的流向
• 球隊基本面數據：戰績、排名、進攻/防守效率、主客場差異
• 傷兵與出賽名單：關鍵球員缺陣對勝率的量化影響
• 歷史模式匹配：在類似條件下（排名差距、主客場、聯賽階段）的歷史結果分布

當 AI 融合這五個維度的數據後，得出的勝率估計會比任何單一方法更穩健。而更準確的勝率估計直接意味著凱利公式的 input 更可靠——投注比例的計算誤差更小，長期的資金增長更穩定。

實際操作流程：

1. 在 OddsForge 分析頁面上傳比賽截圖或搜尋比賽
2. AI 引擎在 30 秒內完成五信號融合分析，輸出各結果的概率估計
3. 將 AI 估計的概率帶入凱利公式（或直接使用 凱利計算器 ），算出建議投注比例
4. 套用半凱利 coefficient 和 10% 上限，決定最終投注金額

常見問題（FAQ）