近日与人讨论凯利公式的一般形式: F=p/rL-q/rW （春节期间我与ChatGPT讨论的是赌场版的凯利公式，F=(bp-q)/b，即rW=b, rL=1时的特例），讨论的初步结论是，对于下注进取度而言，rL比rW 可能更重要。通俗来讲，就是亏的时候亏得少的投资模型，下注时可以更加进取些。重新审视春节期间与ChatGPT一起解决的那个博弈问题的数据，似乎确实也是这样。（胜率与盈亏比率即输赢赔率比也固定时，输时输得少且赢时也赢得少的方案，下注比例反而可以提高。）

再次突显风险控制的重要。。

再进一步，利用这一结论，我想到的是，通过加强风控（例如提高止损效率），可以一定程度抵御量化模型中“过拟合"产生的影响。具体理据不详述。

这是在打磨自己的土炮短线量化模型时的一些思考。

发现自己喜欢琢磨这类型东东，也佩服了自己