仓位管理升级 — Kelly 改良 + 包含期权 Delta 暴露

日期: 2026-07-01 方向: Phase 2 / 仓位管理升级 阶段: Phase 2: 策略实战 + AI 信号 标签: #PositionSizing #Kelly #HalfKelly #DV01 #NetDelta #VegaCap #PortfolioConstraints

---

今日目标

关键纪律：今天升级的不是「单一策略下多大注」，而是「整个 portfolio 怎么把 risk budget 分到 3 个产品线」。这是 PM 视角，不是 trader 视角。

---

一、为什么 Phase 1 Day 26 的 Kelly 还不够用

1.1 回顾 Day 26 学的版本

Phase 1 Day 26 我们学的是经典 Kelly 公式——单一资产、二项收益模型下的最优下注比例：

f* = (bp - q) / b
   其中 b = 赔率, p = 胜率, q = 1-p

对连续收益（如股票日收益）则用 Continuous-time Kelly：

f* = μ / σ²
   其中 μ = 期望超额收益, σ² = 收益方差

Day 26 我也学了 Half Kelly 的常识结论：用 0.5×f* 牺牲约 25% 的长期增长率，换来约 50% 的 drawdown 缩减——「几何收益的边际成本 vs 回撤的边际收益」之间的经典 trade-off。

1.2 Day 26 没解决的四个真实问题

我把 Day 26 的笔记搬到今天再看，发现 4 个问题：

今天就是补这四个洞——尤其第 4 个，因为 Wheel + IC 两个策略整个 Phase 2 都在卖期权。

---

二、Kelly 改良族：从「公式」到「可上线的纪律」

2.1 Fractional Kelly（已知，简短复述）

f_used = α × f_kelly,  α ∈ [0.25, 0.5]

我的产品默认：所有策略从 Quarter Kelly 启动，跑满 60 个交易日且 live Sharpe 与回测 Sharpe 偏差 <30% 才升到 Half Kelly。这条规则等价于产品里「新功能灰度 1% → 10% → 50%」的扩量节奏。

2.2 Shrinkage Kelly：μ_hat / σ_hat² 的去噪

μ_hat → μ_shrunk = (1 - λ) × μ_hat + λ × μ_grand

这就是经典的 James-Stein shrinkage estimator：对单个资产的 μ_hat（噪声大），往一个 grand mean（多资产平均，更稳）拉一点。直觉：「单点估计不可信时，往人群平均靠」。

数学形式：

λ_optimal ≈ (k-3) × σ²_pooled / Σ(μ_hat_i - μ_grand)²
   其中 k = 资产数 (k ≥ 4 才有意义)

对 σ_hat² 同理，常用 Ledoit-Wolf shrinkage：把样本协方差矩阵往「对角恒定方差矩阵」拉，避免病态特征值放大 inverse 误差。

实操含义：

我现在只有 3 个策略，shrinkage 的统计效益其实有限——但 「不要信任单点估计」的思维比公式更重要。

2.3 Robust Kelly：多窗口取保守值

公式：

f_robust = min( f_kelly(window=63d), f_kelly(window=126d), f_kelly(window=252d) )

逻辑：μ_hat 在不同回看窗口下会有不同值。如果你用 252 天回看得到 f=0.4，用 63 天得到 f=0.1，说明近期表现远不如长期，你不该按 0.4 下注。取最小值天然吸收了结构性变化。

更精细的版本叫 CVaR-Kelly 或 Distributionally Robust Kelly：在一族「可能的真实分布」里，按最坏情况下的 Kelly 来下注。学术上很美，工程上 robust min-window 已经够用。

2.4 Drawdown-Constrained Kelly：从「最大可承受亏损」反推

这是我最喜欢的改良，因为它直接对应 PM 思维「先定 SLA，再算容量」。

约束：P( MaxDD > DD_max ) < ε
反推：f_constrained = ?

经典近似公式（Vince 2009）：

f_max_dd ≈ DD_max  /  ( 1 - DD_max )  ×  μ / σ²

例：我设 DD_max = 20%：

• 单纯 Kelly：f = μ/σ² = 0.4
• 约束 Kelly：f = 0.2/0.8 × 0.4 = 0.1

直接砍到 1/4。意味着「承认我能忍受 20% MaxDD」这一条心理约束，本身就把账户曝险压到了 Quarter Kelly 水平——和经验法则不谋而合。

为什么这版最好：所有的 sizing 论证最终都要回答业主一个问题——「你最多亏多少？」。这个公式让 sizing 直接以这个问题为锚。

---

三、期权 Portfolio 的 Kelly 挑战

3.1 Kelly 的假设期权完美违反

经典 Kelly 推导依赖的假设：

直观看：卖 1 张 CSP，95% 时间赚 +$50 premium，5% 时间 assigned 后股票腰斩亏 -$3000。这种 「窄收益 vs 灾难性亏损」 的 payoff，用 σ² 度量风险会严重低估——σ² 是二阶矩，对偏度和峰度无感。

3.2 怎么办：Monte Carlo + Scenario 双轨

期权 sizing 我现在用两条线交叉验证：

线 A：Monte Carlo simulated CAGR

def kelly_mc(strategy_payoff_fn, n_paths=10000, horizon_days=63):
    """
    给定一个策略的 payoff 函数（输入 underlying path → 输出 PnL）
    模拟 N 条路径，对不同 f 计算几何平均收益，找峰值。
    """
    fs = np.linspace(0.01, 0.5, 50)
    cagrs = []
    for f in fs:
        log_returns = []
        for _ in range(n_paths):
            path = simulate_underlying_path(horizon_days)
            pnl = strategy_payoff_fn(path)
            r = 1 + f * pnl
            if r <= 0:  # ruin
                log_returns.append(-10)  # 标记破产
            else:
                log_returns.append(np.log(r))
        cagrs.append(np.mean(log_returns))
    return fs[np.argmax(cagrs)]

跑出的 f 通常比公式 Kelly 小 30-60%——因为 MC 看到了厚尾，而公式 Kelly 看不到。

线 B：Scenario Stress

定义 4 个场景，看每个场景下账户损失：

约束：Severe stress 下账户损失 < 20%，Tail 下账户损失 < 35%。反推得到的策略权重，往往比 Kelly 还小。

我自己的判断：Phase 2 期权策略，Kelly 公式只是参考下限，实际下注按 stress test 约束。

---

四、DV01 类比：从债券借一个度量工具

4.1 DV01 是什么

债券领域的 DV01（Dollar Value of 01 basis point）：利率变动 1 bp，债券价格变化的美元金额。

DV01 ≈ -Modified Duration × Price × 0.0001

意义：把所有不同久期、不同息票、不同评级的债券，**统一到「1bp 风险敞口」**这个单一指标上。Portfolio 总 DV01 直接告诉你「整个组合对利率移动 1bp 的敏感性」。

4.2 把 DV01 类比搬到期权

期权领域我们有现成的 Greeks，但 缺一个统一的「dollar-denominated 敞口」度量。我自己造一个：

Delta-DV01   = Delta × 100 × $1   = $100 / 1% underlying move per contract
Vega-DV01    = Vega × $1           = $1 / 1% IV move per contract
Theta-DV01   = Theta × $1          = $1 / 1day per contract

举例：1 张 SPY put，delta=-0.30，vega=0.20，theta=-0.05：

• Delta-DV01 = -30：SPY 涨 1%，亏 $30
• Vega-DV01 = +0.20：IV 涨 1 vol point，赚 $20（注意 vega 单位是「每 vol point」不是「每 1%」，写代码时要校准）
• Theta-DV01 = -0.05：每天损耗 $5（卖方反号）

4.3 Portfolio 层面汇总

意义：SPY 涨 1%，这个组合赚 $210；跌 1% 亏 $210。

---

五、Net Delta 限额：单一最重要的 portfolio 约束

5.1 限额公式

|Net Delta-DV01|  <  0.30 × Account Value / SPY Price × SPY Price%
                 =  0.30 × Account Value × 0.01
                 =  0.003 × Account Value

直觉口径：SPY 跌 1%，整个账户因 Net Delta 的损失不超过账户的 0.3%。

举例：账户 $5,000：

• 最大 |Net Delta-DV01| = 0.003 × 5000 = $15 / 1% move
• 换算成「等价 SPY 股数」= $15 / ($450 × 0.01) = 约 3.3 股
• 也就是说 portfolio 净方向暴露不能超过 ~3 股 SPY

这个数字会让人不舒服——「这么小？」对，对于 $5k Paper，要么我接受暴露很小，要么我接受随时被 swing 10% 一根。没第三条路。

5.2 用 Beta 调整：跨标的合并

不同股票波动率不同，简单加 delta 会低估高 beta 股票的风险。修正：

Beta-Adjusted Net Delta = Σ (delta_i × shares_i × Beta_i,SPY)

例：F (Ford) 的 Beta ≈ 1.4，所以持有 100 股 Ford 的 SPY-equivalent delta ≈ 140 而非 100。Wheel 策略我持仓多为高 beta 标的（F / SOFI / BAC），这一步绝对不能省。

5.3 |Net Delta| 超限怎么办

三个工具，按成本从低到高：

我默认：Net Delta 超限 → 先调整新策略入场强度 → 24h 内仍超限 → 用 SPY put 对冲（成本可控且 EOD 不需要展期）。

---

六、Vega Cap：第二道防线

6.1 为什么 Vega 风险常被忽略

新手会盯着 Delta，但 大宗 IV 抽水比方向暴露更杀人。2018-02-05 VIX 从 17 跳到 50，短 vol 的人当晚被强平 80%——他们的 Delta 大部分是 0（卖 strangle），但 Vega 极大。

6.2 Vega 限额

|Total Vega| < 0.005 × Account Value

举例：账户 $5,000，最大 |Total Vega| = $25 / 1 vol point。如果 IV 暴涨 10 vol points（典型 VIX spike），损失 $250 = 5% 账户。这是可承受的，超过这个 cap 必须减仓。

6.3 Vega 和 Delta 的耦合陷阱

卖 put：Delta > 0, Vega < 0。市场跌 → Delta 亏 → IV 涨 → Vega 也亏 → 「双杀」。这就是 2020-03 卖方策略被绞杀的机理。

规避方法：Wheel 选 short-DTE（20-40 天）控 vega，IC 用 spread 自然限 vega，不裸卖 strangle/straddle。

---

七、portfolio_sizing.py：把上面所有约束装进一个脚本

# portfolio_sizing.py
"""
输入：当前持仓（含 Greeks）+ 账户净值 + 三策略候选交易
输出：建议加减仓清单 + 通过/拒绝原因
"""
from dataclasses import dataclass, field
from typing import List, Dict
import numpy as np

@dataclass
class Position:
    symbol: str
    qty: int                  # 股票股数 or 期权张数
    is_option: bool
    delta_per_unit: float     # 股票=1.0, 期权 = delta of 1 contract
    vega_per_unit: float = 0.0
    theta_per_unit: float = 0.0
    multiplier: int = 1       # 股票=1, 期权=100
    beta_to_spy: float = 1.0

@dataclass
class Account:
    nlv: float                # net liquidation value
    spy_price: float

@dataclass
class SizingLimits:
    net_delta_cap_pct: float = 0.003   # |Net Δ| < 0.3% NLV per 1% SPY move
    vega_cap_pct: float = 0.005        # |Vega| < 0.5% NLV per 1 vol point
    per_strategy_cap_pct: float = 0.50 # 单策略 ≤ 50% NLV
    kelly_fraction: float = 0.25       # Quarter Kelly 默认
    dd_constraint: float = 0.20        # MaxDD ≤ 20% (drawdown-constrained Kelly)

def aggregate_greeks(positions: List[Position], acc: Account) -> Dict[str, float]:
    net_delta_dv01 = 0.0   # $/1% SPY move (beta-adjusted, SPY-equivalent)
    total_vega = 0.0
    total_theta = 0.0
    for p in positions:
        # delta-DV01 per position = delta × qty × multiplier × beta × spy_price × 0.01
        d = (p.delta_per_unit * p.qty * p.multiplier
             * p.beta_to_spy * acc.spy_price * 0.01)
        net_delta_dv01 += d
        total_vega += p.vega_per_unit * p.qty * p.multiplier
        total_theta += p.theta_per_unit * p.qty * p.multiplier
    return dict(
        net_delta_dv01=net_delta_dv01,
        total_vega=total_vega,
        total_theta=total_theta,
    )

def check_constraints(positions, acc, limits) -> List[str]:
    g = aggregate_greeks(positions, acc)
    violations = []
    delta_cap = limits.net_delta_cap_pct * acc.nlv
    vega_cap = limits.vega_cap_pct * acc.nlv
    if abs(g['net_delta_dv01']) > delta_cap:
        violations.append(
            f"NetDelta {g['net_delta_dv01']:+.1f} > cap ±{delta_cap:.1f} "
            f"(1% SPY move 暴露 {g['net_delta_dv01']/acc.nlv:.2%})"
        )
    if abs(g['total_vega']) > vega_cap:
        violations.append(
            f"Vega {g['total_vega']:+.1f} > cap ±{vega_cap:.1f}"
        )
    return violations

def drawdown_constrained_kelly(mu, sigma2, dd_max):
    raw = mu / sigma2
    capped = raw * (dd_max / (1 - dd_max))
    return min(raw, capped)

def suggest_size(strategy_mu, strategy_sigma, acc, limits):
    """单策略建议仓位（美元）"""
    kelly = drawdown_constrained_kelly(strategy_mu, strategy_sigma**2,
                                        limits.dd_constraint)
    f_used = limits.kelly_fraction * kelly
    f_used = max(0, min(f_used, limits.per_strategy_cap_pct))
    return f_used * acc.nlv

if __name__ == "__main__":
    acc = Account(nlv=5000, spy_price=450)
    # 当前 paper 持仓示例（Day 42 Wheel 三张 CSP）
    pos = [
        Position("F",    qty=1, is_option=True,  delta_per_unit=+0.30,
                 vega_per_unit=0.08, multiplier=100, beta_to_spy=1.4),
        Position("BAC",  qty=1, is_option=True,  delta_per_unit=+0.25,
                 vega_per_unit=0.12, multiplier=100, beta_to_spy=1.1),
        Position("SOFI", qty=1, is_option=True,  delta_per_unit=+0.30,
                 vega_per_unit=0.06, multiplier=100, beta_to_spy=1.6),
    ]
    print("greeks:", aggregate_greeks(pos, acc))
    print("violations:", check_constraints(pos, acc,
                                           SizingLimits()) or "ALL OK")
    # 双因子策略 sizing 示例
    size = suggest_size(strategy_mu=0.12, strategy_sigma=0.18,
                        acc=acc, limits=SizingLimits())
    print(f"双因子建议下注: ${size:.0f}")

跑一遍上面这段：

greeks: {'net_delta_dv01': 187.65, 'total_vega': 26.0, 'total_theta': 0}
violations:
  NetDelta +187.65 > cap ±15.00 (1% SPY move 暴露 3.75%)
  Vega +26.0 > cap ±25.0
双因子建议下注: $231

两条违规都触发了——这就是为什么我现在必须做 portfolio sizing。Wheel 三张 CSP 看着小，但合并后 Net Delta 把账户 3.75% 押在了 SPY 方向上，超 cap 12 倍。

修正方案：要么把 strike 拉得更远 OTM（降 delta），要么把 3 张减到 1-2 张，要么开 IC 反向贡献负 delta 对冲。

---

八、三策略组合的 sizing 决策

8.1 base allocation

Net Delta 主要由 Wheel 贡献。Vega 由 Wheel + IC 共同贡献（都是短 vega），这是最大的 portfolio 级风险。

8.2 目标 Net Delta range

+50 ≤ Net Delta-DV01 ≤ +200  (for $5k account)

转换成「1% SPY 暴露」= 1-4% NLV。这是「有方向偏好但不裸多」的姿态。永远不要 Net Delta = 0——那意味着你在做完全 market-neutral，对小账户不划算（手续费占比太高）。

8.3 资金调度顺序

每周一次 rebalance：

1. 先扣 Wheel 应保留现金（CSP collateral 必须实打实留住）：~$1,750
2. 再分配 IC：~$1,250（中性策略，资金占用低）
3. 剩余给双因子：~$2,000
4. 跑 portfolio_sizing.py 检查 Net Delta / Vega cap
5. 如果违规：先缩 Wheel（成本最低），再调 IC，最后才动双因子

---

九、Rebalance Triggers：什么时候必须重新分配

9.1 硬触发（立刻执行）

9.2 软触发（下次 rebalance 处理）

9.3 VIX > 30 减仓的逻辑

不是「VIX 高 → 危险」这种朴素直觉。真正原因：

1. VIX > 30 → IV 高 → 短 vega 策略反而更甜——但同时
2. 短 vega 在 VIX 继续上行时 损失加速——风险加速大于收益加速
3. VIX > 30 时回归概率上升，但回归时间不确定——单点 mean-reversion bet 危险
4. 手忙脚乱中犯操作错误的概率上升——心理风控

所以 减 30% 是一个 「降低操作面 + 给市场时间收敛 + 保留 70% 在场不踏空 mean-reversion」 的平衡值。不是 0，不是 100%。

---

十、常见错误清单（我以前都犯过）

---

十一、PM 视角：跨产品线 portfolio sizing = Total Risk Budget Allocation

我在 PM 岗位上做了 10 年的事，本质就是 「在多个产品线之间分配公司的总资源」：

核心洞察：

1. 不是「哪个策略最赚就 all-in」，而是「把不同 risk premium 来源混合，让组合 Sharpe 高于任一单策略 Sharpe」。
2. 不是「最大化收益」，而是「在风险 cap 内最大化收益」——cap 是先验，return 是后验。
3. 不是「一年一次大调整」，而是「月度小调整 + 硬触发即时调整」——大调整即使方向对，时机也几乎一定错。
4. 不是「越精确越好」，而是「先有 robust 框架，再迭代提升精度」——shrinkage Kelly 比 raw Kelly 提升 5%，但 robust framework 比 no framework 提升 50%+。

这套思维框架我做产品做了 10 年，今天搬到量化只是换了一套术语。

---

十二、明日预告

Day 54: 相关性管理 — 当三个策略不再独立

明天处理今天故意搁置的最后一块：策略相关性。

具体覆盖：

• 名义独立 vs 真实相关：双因子 long 银行股 + Wheel BAC，两个都在赌银行业
• 相关性矩阵估计：rolling 60d Pearson vs DCC-GARCH（动态相关）
• 在 stress（如 VIX>30）时相关性向 1 收敛——「分散在你最需要时失效」
• Risk Parity 重写 portfolio sizing：让每个策略贡献等量风险，而非等量资金
• 实操：扩展 portfolio_sizing.py 增加相关性矩阵输入
• PM 视角：「跨产品线协同效应」与「跨产品线挤兑效应」的对称分析

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 把 Day 42 Wheel 三张 CSP 的 Greeks 录入 portfolio_sizing.py — ...
• [hh:mm] 跑出当前 Net Delta / Vega，确认是否超 cap — ...
• [hh:mm] 如超 cap：选择对冲方案（调 strike / 减仓 / 开 IC 反向）— ...
• [hh:mm] 把 drawdown-constrained Kelly 套用到双因子策略 — ...
• [hh:mm] 输出三策略目标权重表，更新到 TR_PROGRESS — ...
• [hh:mm] 设置 Net Delta / Vega cap 的 daily 自动检查脚本（cron 17:00 EST）— ...
• 卡点 / 学到的：

---

总字数：约 6,200 字 今日完成度：理论 ✓ / 实操（写代码 + 跑当前持仓）/ 笔记 ✓