从理念到仓位：量化决策链的三块基石

上一篇写贝叶斯定理时，有读者追问：「这套东西能变成真正可执行的策略吗，还是只停留在投资理念层面？」

这个问题问到了点子上。

贝叶斯 + 凯利的框架，描述的是「该怎么想」——用先验、用证据、持续更新、据此调整仓位。但从「怎么想」到「怎么做」，中间还差三个工具：卡尔曼滤波、隐马尔可夫模型（HMM）、信号强度显式建模。

它们合在一起，才能把「应对思维」装进可以跑代码、可以回测的交易系统。

一、卡尔曼滤波：从噪声里找信号

核心问题是： 你看到的价格是含噪声的观测值，背后有一个你看不见的「真实状态」。

比如配对交易里两只相关股票的价差。价差每天都在抖动，但你真正关心的不是今天的数字，而是它偏离「真实均衡值」多少——那才是交易信号。

卡尔曼滤波做两件事循环往复：

预测步：根据上一时刻的估计，预测当前状态（先验）
更新步：看到新数据后，修正预测（后验）

更新的公式是：

其中 $K$ 是卡尔曼增益，由过程噪声和观测噪声的比值自动计算，决定「新数据」和「先验估计」各信多少。这正是贝叶斯更新在线性高斯系统下的最优实现——只不过不再靠人工拍感觉，而是数学上的最优解。

实际应用中，卡尔曼滤波被广泛用于估计随时间变化的因子暴露（beta）、追踪均值回归信号的强度，以及过滤价格序列里的短期噪声。

二、隐马尔可夫模型：识别市场处于哪个状态

核心问题是： 牛市、熊市、震荡市的统计特征完全不同，但你无法直接「观测」到当前处于哪个状态——它是隐藏的。

HMM 的结构正好对应这个问题：

隐藏状态（你看不见）：牛市 / 熊市 / 震荡市
可观测量（你能看到）：每日收益率、波动率、成交量

模型从历史数据里学到两类信息：每个状态下收益率的统计特征（均值、方差），以及状态之间的转移概率——比如牛市转入熊市的概率是多少，熊市自我延续的概率是多少。

训练完成后，每天喂入新数据，模型输出「当前各状态的概率」：

牛市概率：72%
熊市概率：18%
震荡概率：10%

这个概率输出就是贝叶斯框架里的先验 $P(A)$——是机器算出来的，不是人拍脑袋估的。不同市场状态下，信号的有效性、仓位的合理水位都应该不同，HMM 提供了这个切换的依据。

三、信号强度显式建模：让凯利公式可以真正执行

凯利公式 $f = \frac{p \cdot b - (1-p)}{b}$ 需要两个输入：胜率 $p$ 和赔率 $b$。

问题在于，这两个数从哪里来？

胜率 $p$ 的建模： 把多个来源的信号合并成一个经过校准的概率。比如动量因子、估值信号、HMM 输出的市场状态，用逻辑回归或贝叶斯模型平均整合，输出一个数字，比如 $p = 0.63$。

「校准」是关键——模型输出 63% 的时候，历史上真实胜率也得接近 63%，不能只是名义上的数字。

赔率 $b$ 的建模： 从历史数据统计，当这类信号出现时，平均盈利幅度和平均亏损幅度的比值：

两个数都有了，凯利公式才真正可以执行：

实际操作往往取半凯利（约 22%），为模型误差留出缓冲。

四、三者串联：完整的量化决策链

单独看每个工具都是抽象的，串起来才是一套完整的系统：

HMM 识别市场状态（先验：现在是牛市还是熊市？）
        ↓
卡尔曼滤波追踪因子信号的真实强度（过滤噪声）
        ↓
多信号合并 → 输出校准概率 p
        ↓
历史统计得出赔率 b
        ↓
凯利公式计算仓位 f
        ↓
执行

这条链的每一个箭头，对应的正是《贝叶斯定理：最被误解的应对工具》里描述的那个更新过程：

新证据出现 → 贝叶斯更新胜率 → 凯利重新计算仓位 → 执行调整

区别只在于：文章描述的是逻辑结构，量化系统是把每个环节都换成了可以跑代码、可以回测的具体实现。

五、对普通投资者意味着什么

这套工具大多数人不会亲手实现，但理解它的结构有两个现实意义。

第一， 评估量化产品时有了参照系。市面上的量化基金、量化 ETF，背后大概率在跑类似的逻辑。知道这条链的结构，就能判断它的假设是否合理，风险在哪里——比如 HMM 在市场状态切换时往往有滞后，卡尔曼滤波的参数选错会过度平滑信号，Kelly 的输入误差会被杠杆放大。

第二， 主观投资也可以借鉴框架。你不需要写代码，但可以问自己：我对当前市场状态的判断是什么（HMM 的逻辑），这个信号的历史胜率和赔率我是否统计过（Kelly 的输入），我的仓位和胜率是否匹配（Kelly 的输出）。把这三个问题显式地回答出来，决策质量就已经高过大多数人了。

贝叶斯给了你思维的框架，这三个工具把框架装进了机器。理解链条的结构，是站在两者之间最有价值的位置。

关联阅读：只应对不预测 · 贝叶斯定理：最被误解的应对工具