1. 一个具体问题
一个重复机会的平均收益为正，是否就应该尽可能多地投入？未必。投入过少可能增长缓慢，投入过多则会让偶然损失严重伤害后续资本。凯利准则讨论的是已知概率模型下的长期增长比例，而不是如何从模糊直觉中猜出胜率。
2. 一句话解释
凯利准则在特定重复机会模型中，选择使预期对数财富增长最大的投入比例。
3. 出处与原意
John L. Kelly Jr. 在 1956 年《A New Interpretation of Information Rate》中建立了信息与增长率的联系。它后来被用于讨论资产配置和资金管理。原始思想依赖明确的概率与回报结构，不能把简化二元公式直接套到有多种结果、相关风险和交易约束的投资上。
4. 原理与机制
在二元结果模型中，赢的概率为 p，输的概率 q=1−p，每投入一单位赢时净赚 b 单位、输时损失一单位，最优比例为 f*=(bp−q)/b。这一结论针对 p·ln(1+bf)+q·ln(1−f) 的最大化。若不允许做空，负比例通常意味着不参与。概率未知、收益不稳定时，估计误差会显著改变最优值。
为什么使用对数？连续资本变化是相乘的，取对数后可以把每期增长相加；接近归零的结果又会受到很大的惩罚。即便如此，模型中的最优也只对应这一特定目标，并不自动满足个人对回撤、流动性和短期支出的要求。若输一次就无法继续生活或履约，约束需要先于最优比例明确。
5. 一个完整案例
假设案例：一个纯数学模型中，p=0.55、b=1，则 f*=0.10。这个结果并不是现实投资建议，只说明模型对输入的敏感性：若真实 p 实际只有 0.51，模型内最优比例就降到 0.02。仍按 0.10 参与，实际预期对数增长约为 0.51ln(1.1)+0.49ln(0.9)=−0.0030，即使单次金额期望仍为正，长期乘法增长目标也可能受损。
6. 适用条件与反例
适合研究资本比例与乘法增长的关系，前提是结果可重复且概率模型可信。它不最小化短期回撤，也不保证在有限时间胜过其他方案。尾部风险、相关持仓、融资成本与生活支出都需另行处理。所谓半凯利等做法降低模型内投入强度，但并不能消除错误模型。
7. 今天可以尝试的行动
只做纸面敏感性练习：为同一假设改变概率和赔率，观察建议比例如何跳动。若一个很小的概率误差就使结论翻转，应把工作重点放在证据与风险约束，而非追求公式给出的精确比例。