Position sizing
仓位管理基本原则¶
1. 风险第一原则¶
单笔投资风险限制： - 保守型：单笔风险不超过总资金的1% - 平衡型：单笔风险不超过总资金的2% - 进取型：单笔风险不超过总资金的3%
风险定义： $ Risk = Position Size \times Stop Loss Percentage $
示例： - 总资金：100万 - 风险容忍：2%（2万） - 止损：10% - 最大仓位：2万 / 10% = 20万（20%仓位）
2. 分散化原则¶
不要把所有鸡蛋放在一个篮子里： - 单一股票：不超过10-15% - 单一行业：不超过25-30% - 单一资产类别：不超过60-70%
3. 金字塔原则¶
高确定性 = 大仓位，低确定性 = 小仓位： - 核心持仓（高确定性）：30-40% - 卫星持仓（中等确定性）：40-50% - 机会持仓（低确定性）：10-20%
4. 动态调整原则¶
根据市场环境和组合表现调整： - 牛市：可以适当增加仓位 - 熊市：降低仓位，保留现金 - 连续盈利：可以适当增加仓位 - 连续亏损：降低仓位，重新评估
主要仓位管理方法¶
固定金额法¶
方法：每笔投资固定金额。
示例： - 总资金：100万 - 每笔投资：10万 - 最多持有：10只股票
优点： - 简单易行 - 自动分散风险
缺点： - 不考虑个股风险差异 - 不考虑机会质量
适用场景： - 初学者 - 被动投资 - 指数化投资
固定比例法¶
方法：每笔投资占总资金的固定比例。
示例： - 总资金：100万 - 每笔投资：10% - 第一笔：10万 - 盈利后总资金：110万 - 第二笔：11万
优点： - 自动适应资金变化 - 盈利时增加仓位 - 亏损时减少仓位
缺点： - 可能过度集中 - 不考虑个股风险
Python实现：
class FixedPercentage:
def __init__(self, initial_capital, percentage=0.1):
"""
initial_capital: 初始资金
percentage: 固定比例
"""
self.capital = initial_capital
self.percentage = percentage
self.positions = []
def calculate_position_size(self):
"""计算仓位大小"""
return self.capital * self.percentage
def open_position(self, price):
"""开仓"""
position_value = self.calculate_position_size()
shares = int(position_value / price)
self.positions.append({
'shares': shares,
'entry_price': price,
'value': shares * price
})
return shares
def update_capital(self, new_capital):
"""更新资金"""
self.capital = new_capital
# 示例
strategy = FixedPercentage(initial_capital=100000, percentage=0.1)
shares = strategy.open_position(price=50)
print(f"购买股数: {shares}")
print(f"投资金额: ${shares * 50:,.0f}")
波动率调整法¶
方法：根据资产波动率调整仓位，高波动率 = 小仓位。
公式： $ Position Size = \frac{Target Risk}{Volatility} $
示例： - 目标风险：2% - 股票A波动率：20% → 仓位 = 2% / 20% = 10% - 股票B波动率：40% → 仓位 = 2% / 40% = 5%
Python实现：
class VolatilityAdjusted:
def __init__(self, capital, target_risk=0.02):
"""
capital: 总资金
target_risk: 目标风险（如2%）
"""
self.capital = capital
self.target_risk = target_risk
def calculate_position_size(self, volatility):
"""
根据波动率计算仓位
volatility: 年化波动率
"""
position_percentage = self.target_risk / volatility
position_value = self.capital * position_percentage
return position_value, position_percentage
def calculate_shares(self, price, volatility):
"""计算购买股数"""
position_value, _ = self.calculate_position_size(volatility)
shares = int(position_value / price)
return shares
# 示例
vol_strategy = VolatilityAdjusted(capital=100000, target_risk=0.02)
# 低波动率股票
shares_low = vol_strategy.calculate_shares(price=100, volatility=0.15)
print(f"低波动率股票(15%): {shares_low}股")
# 高波动率股票
shares_high = vol_strategy.calculate_shares(price=100, volatility=0.40)
print(f"高波动率股票(40%): {shares_high}股")
优点： - 风险标准化 - 自动适应波动率 - 更科学的风险管理
缺点： - 需要估计波动率 - 历史波动率可能不代表未来
凯利公式法¶
凯利公式：数学上最优的仓位管理方法，最大化长期对数收益。
公式： $ f^* = \frac{p \times b - q}{b} = \frac{p - q}{b} $
其中： - \(f^*\) 是最优仓位比例 - \(p\) 是胜率 - \(q = 1 - p\) 是败率 - \(b\) 是盈亏比（盈利/亏损）
简化公式（盈亏比为1:1时）： $ f^* = 2p - 1 $
示例计算：
案例1：高胜率策略 - 胜率：60% - 盈亏比：1:1 - 凯利仓位：(0.6 - 0.4) / 1 = 20%
案例2：低胜率高盈亏比 - 胜率：40% - 盈亏比：3:1 - 凯利仓位：(0.4 × 3 - 0.6) / 3 = 20%
Python实现：
import numpy as np
import matplotlib.pyplot as plt
class KellyCalculator:
def __init__(self):
pass
def calculate_kelly(self, win_prob, win_loss_ratio):
"""
计算凯利仓位
win_prob: 胜率
win_loss_ratio: 盈亏比
"""
kelly_fraction = (win_prob * win_loss_ratio - (1 - win_prob)) / win_loss_ratio
return max(0, kelly_fraction) # 不能为负
def calculate_expected_growth(self, win_prob, win_loss_ratio, fraction):
"""
计算期望增长率
"""
# 对数期望增长率
win_return = np.log(1 + fraction * win_loss_ratio)
loss_return = np.log(1 - fraction)
expected_growth = win_prob * win_return + (1 - win_prob) * loss_return
return expected_growth
def plot_growth_curve(self, win_prob, win_loss_ratio):
"""
绘制增长率曲线
"""
fractions = np.linspace(0, 1, 100)
growth_rates = [self.calculate_expected_growth(win_prob, win_loss_ratio, f)
for f in fractions]
kelly_fraction = self.calculate_kelly(win_prob, win_loss_ratio)
kelly_growth = self.calculate_expected_growth(win_prob, win_loss_ratio, kelly_fraction)
plt.figure(figsize=(12, 7))
plt.plot(fractions, growth_rates, linewidth=2)
plt.axvline(kelly_fraction, color='red', linestyle='--',
label=f'Kelly Fraction: {kelly_fraction:.2%}')
plt.axhline(0, color='black', linestyle='-', alpha=0.3)
plt.scatter([kelly_fraction], [kelly_growth], color='red', s=100, zorder=5)
plt.xlabel('Bet Fraction')
plt.ylabel('Expected Log Growth Rate')
plt.title(f'Kelly Criterion (Win Rate: {win_prob:.0%}, Win/Loss: {win_loss_ratio:.1f})')
plt.legend()
plt.grid(True, alpha=0.3)
return plt
# 示例
kelly = KellyCalculator()
# 计算不同策略的凯利仓位
strategies = [
{'name': '高胜率低盈亏比', 'win_prob': 0.65, 'ratio': 1.0},
{'name': '中等胜率中等盈亏比', 'win_prob': 0.50, 'ratio': 2.0},
{'name': '低胜率高盈亏比', 'win_prob': 0.35, 'ratio': 3.0},
]
print("凯利仓位计算:")
for s in strategies:
kelly_f = kelly.calculate_kelly(s['win_prob'], s['ratio'])
print(f"{s['name']}: {kelly_f:.1%}")
半凯利（Half Kelly）：
实践中，完全凯利仓位风险较大，通常使用半凯利或¼凯利：
$ f_{half} = \frac{f^*}{2} $
原因： - 降低波动率 - 对参数估计误差更宽容 - 更适合实际投资
凯利公式的优缺点：
优点： - 数学上最优 - 最大化长期增长 - 考虑胜率和盈亏比
缺点： - 需要准确估计胜率和盈亏比 - 完全凯利波动率很大 - 对参数估计误差敏感 - 可能导致过度集中
实践建议： - 使用半凯利或¼凯利 - 设置最大仓位上限（如25%） - 保守估计胜率和盈亏比 - 定期重新评估参数
风险平价法¶
方法：使每个资产对组合风险的贡献相等。
原理： 传统配置按资金分配（如60/40股债），但股票风险远大于债券，导致风险集中在股票。
风险平价按风险分配，使每个资产的风险贡献相等。
风险贡献： $ Risk Contribution_i = w_i \times \frac{\partial \sigma_p}{\partial w_i} $
目标： $ Risk Contribution_1 = Risk Contribution_2 = ... = Risk Contribution_n $
简化计算（两资产）： $ w_1 = \frac{\sigma_2}{\sigma_1 + \sigma_2}, \quad w_2 = \frac{\sigma_1}{\sigma_1 + \sigma_2} $
Python实现：
class RiskParity:
def __init__(self, returns):
"""
returns: DataFrame, 各资产收益率
"""
self.returns = returns
self.cov_matrix = returns.cov()
self.volatilities = returns.std()
def calculate_weights_simple(self):
"""
简化风险平价（假设资产不相关）
"""
inv_vol = 1 / self.volatilities
weights = inv_vol / inv_vol.sum()
return weights
def calculate_portfolio_risk(self, weights):
"""计算组合风险"""
portfolio_var = np.dot(weights, np.dot(self.cov_matrix, weights))
return np.sqrt(portfolio_var)
def calculate_risk_contribution(self, weights):
"""计算风险贡献"""
portfolio_vol = self.calculate_portfolio_risk(weights)
marginal_contrib = np.dot(self.cov_matrix, weights) / portfolio_vol
risk_contrib = weights * marginal_contrib
return risk_contrib / risk_contrib.sum()
# 示例
np.random.seed(42)
returns_data = pd.DataFrame({
'Stock': np.random.normal(0.0008, 0.02, 250),
'Bond': np.random.normal(0.0003, 0.005, 250),
'Commodity': np.random.normal(0.0005, 0.015, 250)
})
rp = RiskParity(returns_data)
weights = rp.calculate_weights_simple()
risk_contrib = rp.calculate_risk_contribution(weights.values)
print("风险平价权重:")
for asset, weight in weights.items():
print(f" {asset}: {weight:.1%}")
print("\n风险贡献:")
for asset, contrib in zip(weights.index, risk_contrib):
print(f" {asset}: {contrib:.1%}")
优点： - 真正的风险分散 - 适合多资产配置 - 降低组合波动率
缺点： - 可能需要杠杆（低风险资产权重高） - 不考虑预期收益 - 实施复杂
最大回撤控制法¶
方法：根据最大可接受回撤确定仓位。
公式： $ Position Size = \frac{Max Acceptable Drawdown}{Expected Drawdown} $
示例： - 最大可接受回撤：20% - 策略历史最大回撤：40% - 建议仓位：20% / 40% = 50%
Python实现：
class DrawdownControl:
def __init__(self, returns, max_acceptable_dd=0.20):
"""
returns: 策略历史收益率
max_acceptable_dd: 最大可接受回撤
"""
self.returns = returns
self.max_acceptable_dd = max_acceptable_dd
def calculate_max_drawdown(self):
"""计算历史最大回撤"""
cumulative = (1 + self.returns).cumprod()
running_max = np.maximum.accumulate(cumulative)
drawdown = (cumulative - running_max) / running_max
return drawdown.min()
def calculate_position_size(self):
"""计算建议仓位"""
historical_dd = abs(self.calculate_max_drawdown())
if historical_dd == 0:
return 1.0 # 无历史回撤，满仓
position_size = self.max_acceptable_dd / historical_dd
return min(position_size, 1.0) # 不超过100%
# 示例
strategy_returns = np.random.normal(0.001, 0.03, 250)
dd_control = DrawdownControl(strategy_returns, max_acceptable_dd=0.15)
historical_dd = dd_control.calculate_max_drawdown()
position_size = dd_control.calculate_position_size()
print(f"历史最大回撤: {historical_dd:.1%}")
print(f"建议仓位: {position_size:.1%}")
动态仓位调整¶
金字塔加仓¶
方法：盈利后逐步加仓，亏损不加仓。
正金字塔（推荐）： - 首次：30% - 盈利5%后：20% - 再盈利5%后：10%
倒金字塔（不推荐）： - 首次：10% - 盈利后：20% - 再盈利后：30%
为什么正金字塔更好： - 初始仓位大，成本低 - 后续加仓谨慎 - 控制平均成本
Python实现：
class PyramidStrategy:
def __init__(self, initial_capital, initial_position_pct=0.3):
"""
initial_capital: 初始资金
initial_position_pct: 初始仓位比例
"""
self.capital = initial_capital
self.initial_position_pct = initial_position_pct
self.positions = []
self.total_shares = 0
def initial_entry(self, price):
"""初始建仓"""
position_value = self.capital * self.initial_position_pct
shares = int(position_value / price)
self.positions.append({
'shares': shares,
'price': price,
'value': shares * price
})
self.total_shares += shares
return shares
def add_position(self, current_price, add_pct, profit_threshold=0.05):
"""加仓"""
if not self.positions:
return 0
# 检查是否达到盈利阈值
avg_cost = sum(p['value'] for p in self.positions) / self.total_shares
profit_pct = (current_price - avg_cost) / avg_cost
if profit_pct < profit_threshold:
return 0
# 加仓
add_value = self.capital * add_pct
shares = int(add_value / current_price)
self.positions.append({
'shares': shares,
'price': current_price,
'value': shares * current_price
})
self.total_shares += shares
return shares
def get_average_cost(self):
"""计算平均成本"""
if self.total_shares == 0:
return 0
total_value = sum(p['value'] for p in self.positions)
return total_value / self.total_shares
# 示例
pyramid = PyramidStrategy(initial_capital=100000, initial_position_pct=0.3)
# 初始建仓
shares1 = pyramid.initial_entry(price=100)
print(f"初始建仓: {shares1}股 @ $100")
# 第一次加仓（价格上涨5%）
shares2 = pyramid.add_position(current_price=105, add_pct=0.2, profit_threshold=0.05)
print(f"第一次加仓: {shares2}股 @ $105")
# 第二次加仓（价格再上涨5%）
shares3 = pyramid.add_position(current_price=110, add_pct=0.1, profit_threshold=0.05)
print(f"第二次加仓: {shares3}股 @ $110")
print(f"\n总持仓: {pyramid.total_shares}股")
print(f"平均成本: ${pyramid.get_average_cost():.2f}")
马丁格尔策略（不推荐）¶
方法：亏损后加倍下注。
示例： - 首次：10% - 亏损后：20% - 再亏损：40%
为什么不推荐： - 可能导致破产 - 需要无限资金 - 违背风险管理原则
历史教训： 许多交易员因使用马丁格尔策略而破产。
反马丁格尔策略（推荐）¶
方法：盈利后增加仓位，亏损后减少仓位。
示例： - 盈利：增加10%仓位 - 亏损：减少10%仓位
优点： - 顺势而为 - 控制风险 - 符合趋势跟踪
实战案例¶
案例1：巴菲特的集中投资¶
策略： - 重仓持有少数优质公司 - 前5大持仓占比超过70% - 长期持有，很少交易
仓位管理特点： - 高确定性 = 大仓位 - 深入研究后重仓 - 不分散到不了解的领域
适用条件： - 深度研究能力 - 长期投资视角 - 高风险承受能力
启示： 对于真正理解的机会，可以重仓；但需要极高的研究深度。
案例2：索罗斯的量子基金¶
策略： - 高杠杆，高集中度 - 重大机会时重仓出击 - 1992年做空英镑，单笔盈利10亿美元
仓位管理特点： - 平时分散，机会来临时集中 - 使用杠杆放大收益 - 严格止损
风险： - 极高风险 - 需要精准判断 - 不适合普通投资者
案例3：长期资本管理公司（LTCM）的失败¶
策略： - 高杠杆（25-30倍） - 看似低风险的套利策略 - 分散化投资
失败原因： - 过度杠杆 - 极端情况下相关性崩溃 - 流动性危机 - 被迫平仓
教训： - 杠杆是双刃剑 - 即使分散化也要控制总仓位 - 保留流动性缓冲 - 极端情况下模型可能失效
不同市场环境的仓位策略¶
牛市策略¶
特征： - 市场整体上涨 - 风险偏好高 - 波动率低
仓位策略： - 可以适当提高仓位（70-90%） - 增加进攻性资产 - 使用杠杆（谨慎） - 保留部分现金应对回调
熊市策略¶
特征： - 市场整体下跌 - 风险偏好低 - 波动率高
仓位策略： - 大幅降低仓位（30-50%） - 增加防御性资产 - 保留大量现金 - 等待机会
震荡市策略¶
特征： - 无明确趋势 - 区间波动 - 不确定性高
仓位策略： - 中等仓位（50-70%） - 分散投资 - 高抛低吸 - 灵活调整
危机时期策略¶
特征： - 极端波动 - 流动性危机 - 恐慌性抛售
仓位策略： - 保留大量现金（50%+） - 分批建仓 - 关注优质资产 - 耐心等待
常见误区¶
误区1：满仓才能赚大钱¶
真相：满仓风险极大，一次重大亏损可能抹去多年收益。
正确做法： - 保留安全边际 - 根据机会质量调整仓位 - 不要害怕持有现金
误区2：分散越多越好¶
真相：过度分散会稀释收益，增加管理难度。
正确做法： - 适度分散（10-20只股票） - 集中在理解的领域 - 平衡分散和集中
误区3：亏损后加仓摊平成本¶
真相：这是马丁格尔策略，可能导致更大亏损。
正确做法： - 亏损后重新评估 - 如果逻辑改变，止损离场 - 如果逻辑未变，可以适当加仓 - 但要设置总亏损上限
误区4：凭感觉决定仓位¶
真相：情绪化决策往往导致错误。
正确做法： - 建立系统化的仓位管理规则 - 提前制定计划 - 严格执行纪律
误区5：忽视相关性¶
真相：持有多只高度相关的股票并非真正分散。
正确做法： - 关注资产相关性 - 跨资产类别分散 - 跨地域分散
实战建议¶
1. 建立仓位管理系统¶
系统化流程：
1. 风险评估 → 确定总风险预算
2. 机会评估 → 评估投资机会质量
3. 仓位计算 → 使用合适的方法计算仓位
4. 执行建仓 → 分批建仓
5. 动态调整 → 根据市场变化调整
6. 定期审查 → 评估仓位管理效果
2. 制定仓位管理规则¶
示例规则： - 单只股票：不超过10% - 单一行业：不超过25% - 总仓位：根据市场环境在30-90%之间 - 单笔风险：不超过2% - 止损：每只股票设置止损点
3. 使用仓位管理工具¶
Excel/Python工具： - 自动计算建议仓位 - 跟踪实际仓位 - 监控风险敞口 - 生成报告
class PositionManager:
def __init__(self, total_capital, max_single_position=0.10,
max_sector=0.25, max_total=0.90):
"""
total_capital: 总资金
max_single_position: 单只股票最大仓位
max_sector: 单一行业最大仓位
max_total: 总仓位上限
"""
self.total_capital = total_capital
self.max_single_position = max_single_position
self.max_sector = max_sector
self.max_total = max_total
self.positions = {}
self.sectors = {}
def can_add_position(self, symbol, sector, proposed_value):
"""检查是否可以增加仓位"""
# 检查单只股票限制
current_value = self.positions.get(symbol, 0)
if (current_value + proposed_value) / self.total_capital > self.max_single_position:
return False, "超过单只股票限制"
# 检查行业限制
current_sector = self.sectors.get(sector, 0)
if (current_sector + proposed_value) / self.total_capital > self.max_sector:
return False, "超过行业限制"
# 检查总仓位限制
total_position = sum(self.positions.values())
if (total_position + proposed_value) / self.total_capital > self.max_total:
return False, "超过总仓位限制"
return True, "可以建仓"
def add_position(self, symbol, sector, value):
"""增加仓位"""
can_add, message = self.can_add_position(symbol, sector, value)
if not can_add:
print(f"无法建仓 {symbol}: {message}")
return False
self.positions[symbol] = self.positions.get(symbol, 0) + value
self.sectors[sector] = self.sectors.get(sector, 0) + value
print(f"成功建仓 {symbol}: ${value:,.0f}")
return True
def get_position_summary(self):
"""获取仓位摘要"""
total_position = sum(self.positions.values())
return {
'total_capital': self.total_capital,
'total_position': total_position,
'position_percentage': total_position / self.total_capital,
'cash': self.total_capital - total_position,
'positions': self.positions,
'sectors': self.sectors
}
# 示例
pm = PositionManager(total_capital=1000000)
# 尝试建仓
pm.add_position('AAPL', 'Technology', 80000)
pm.add_position('MSFT', 'Technology', 70000)
pm.add_position('GOOGL', 'Technology', 90000) # 可能超过行业限制
summary = pm.get_position_summary()
print(f"\n总仓位: {summary['position_percentage']:.1%}")
print(f"剩余现金: ${summary['cash']:,.0f}")
4. 定期审查和调整¶
审查频率： - 日度：监控风险敞口 - 周度：评估仓位分布 - 月度：全面审查和调整 - 季度：评估仓位管理策略
审查内容： - 实际仓位 vs 目标仓位 - 风险集中度 - 行业分布 - 盈亏情况 - 市场环境变化
5. 记录和学习¶
建立交易日志： - 记录每次仓位决策 - 记录决策理由 - 跟踪结果 - 分析成功和失败
持续改进： - 定期回顾 - 总结经验教训 - 优化仓位管理规则 - 适应市场变化
延伸阅读¶
经典著作¶
- Thorp, E. O. (2006). Beat the Dealer. Vintage.
-
凯利公式的实践应用
-
Poundstone, W. (2005). Fortune's Formula: The Untold Story of the Scientific Betting System That Beat the Casinos and Wall Street. Hill and Wang.
-
凯利公式的历史和应用
-
Vince, R. (1992). The Mathematics of Money Management. Wiley.
-
资金管理的数学基础
-
Jones, R. (1999). The Trading Game: Playing by the Numbers to Make Millions. Wiley.
- 仓位管理实践指南
学术论文¶
- Kelly, J. L. (1956). "A New Interpretation of Information Rate". Bell System Technical Journal, 35(4), 917-926.
-
凯利公式原始论文
-
MacLean, L. C., Thorp, E. O., & Ziemba, W. T. (2011). The Kelly Capital Growth Investment Criterion. World Scientific.
-
凯利公式的全面研究
-
Browne, S. (1999). "The Risk and Rewards of Minimizing Shortfall Probability". Journal of Portfolio Management, 25(4), 76-85.
- 风险管理和仓位优化
实践指南¶
- Elder, A. (1993). Trading for a Living. Wiley.
-
包含实用的资金管理章节
-
Schwager, J. D. (2012). Market Wizards. Wiley.
-
顶级交易员的仓位管理经验
-
Covel, M. W. (2009). Trend Following. FT Press.
- 趋势跟踪中的仓位管理
总结¶
仓位管理是投资成功的关键，需要：
关键要点： 1. 风险第一，永远不要冒破产风险 2. 根据机会质量和风险调整仓位 3. 凯利公式提供理论最优，但实践中要保守 4. 动态调整仓位，适应市场环境 5. 建立系统化的仓位管理规则 6. 定期审查和持续改进 7. 避免情绪化决策
实践框架： - 日常：使用波动率调整法或固定比例法 - 重大机会：参考凯利公式（使用半凯利） - 多资产：使用风险平价法 - 危机时期：大幅降低仓位，保留现金 - 持续：记录、审查、学习、改进
仓位管理没有完美的方法，关键是找到适合自己的系统，并严格执行。记住：保护资本是第一位的，只有活下来，才能等到下一个机会。
下一步学习： - 行为金融学 - 理解心理因素对仓位决策的影响 - 组合对冲 - 学习如何对冲风险 - 风险测量 - 深入理解风险度量