一条内幕消息值多少钱
1956 年，贝尔实验室一个叫 John Kelly 的人写了一篇论文，把香农的信道容量公式直接搬去算赌局。而搬过去之后，公式一个字都没改。
一个等赔率的赌局（押 1 赢 1，输了赔 1），你的胜率是 60%。为了让长期财富增长最快，每次应该押身家的百分之几？
先说清楚「最优」是什么意思
这道题的答案取决于你在最大化什么，而这里有一个非常大的坑。
如果你最大化「一次下注的期望收益」，答案是全押。因为期望收益 = 0.6×2f − 0.4×f，f 越大越好。
但你要是真全押，会发生什么？
每次全押，第一次输就归零，然后永远出不来。 输一次的概率是 40%。 连赢 n 次的概率是 0.6ⁿ —— 十次之后只剩 0.6%。 # 期望财富确实在涨（因为极小概率的巨额收益把平均值拉起来了）， # 而【你几乎必然破产】。
在乘性过程里（这一轮的本金是上一轮的结果），期望值是一个极具误导性的指标。因为期望是算术平均，而乘性过程的长期行为由几何平均决定。
而几何平均对应的是对数收益的期望：
财富 W_n = W_0 × (1+r₁)(1+r₂)…(1+rₙ) log W_n = log W_0 + Σ log(1+rᵢ) # 取期望：长期增长率 = E[ log(1+r) ]，不是 E[r]。 # 而 log 对亏损的惩罚是【无限】的：亏到 0，log 是 −∞。
凯利做的事就是：最大化对数收益的期望。这不是「保守」，这是在乘性过程里正确定义「最快」。
凯利公式
f* = (b·p − q) / b f* = 每次押身家的比例 p = 胜率 q = 1 − p b = 净赔率（押 1 赢 b） # 等赔率 b = 1 时简化成： f* = 2p − 1 = 【你的胜率优势 × 2】 p = 0.60 → f* = 0.20 p = 0.55 → f* = 0.10 p = 0.51 → f* = 0.02
那个和信道容量一模一样的公式
现在算按凯利下注时的增长率。这一步值得手推一遍，因为结果很漂亮：
G = p·log₂(1 + f*) + q·log₂(1 − f*) # 对数增长率
代入 f* = 2p − 1：
1 + f* = 2p
1 − f* = 2 − 2p = 2q
G = p·log₂(2p) + q·log₂(2q)
= p(1 + log₂p) + q(1 + log₂q)
= (p + q) + (p·log₂p + q·log₂q)
= 1 − H(p)
【 G = 1 − H(p) 】
而第 14 章那个二元对称信道的容量是：
C = 1 − H(p)
一个字都不差。
把两个场景并排看：
| 信道 | 赌局 |
|---|---|
| 发送一个比特 | 下一注 |
| 信道以概率 p 保持、1−p 翻掉 | 你以概率 p 猜对 |
每次使用能可靠传 1−H(p) 比特 | 每注财富增长 1−H(p) 比特 |
| 码率超过容量 → 必然出错 | 下注超过 f* → 长期必然亏 |
「你和真相之间的互信息」，在信道里表现为「能传多少比特」，在赌局里表现为「财富能以多快的指数增长」。
而且单位是通的：1 比特的信息优势 = 财富每注翻一倍。
G = 1 比特/注 → 财富每注 × 2 G = 0.029 比特/注（p=0.6） → 财富每注 × 2^0.029 = ×1.0203 即每注 +2.03% G = 0.0003 比特/注（p=0.51） → 每注 +0.02%，要 3466 注才翻一倍
所以「一条消息值多少钱」有了一个精确答案：它给你的互信息，就是你财富的对数增长率。
三件从这里掉出来的事
一、微弱优势的复利，和它需要的时间
| 胜率 | 最优下注 | 每注增长 | 财富翻倍要几注 |
|---|---|---|---|
| 51% | 2% | +0.02% | 3466 注 |
| 55% | 10% | +0.50% | 139 注 |
| 60% | 20% | +2.03% | 35 注 |
| 70% | 40% | +8.58% | 9 注 |
| 90% | 80% | +44.49% | 2 注 |
看第一行和最后一行的差距：胜率从 51% 到 90%，增长率差了一千八百倍。这是 1−H(p) 在 p 接近 0.5 处极其平坦造成的——微弱的优势，在信息论意义上几乎一文不值。
这解释了赌场的商业模式：赌场的优势通常只有百分之几，但它下注次数极多，而且它不会破产（本金远大于单注）。而玩家的劣势同样微弱，却因为本金有限、下注次数有限，几乎必然输光。
二、押多了会亏，而且是必然亏
把 demo 里的下注比例拉过 f*，看那条增长率曲线怎么掉下去，然后穿过零点变成负数。
p = 0.6 时： 押 20%（凯利） G = +0.0290 → 长期指数增长 押 40%（两倍凯利）G = 0.0000 → 【长期原地踏步】 押 60% G = −0.0817 → 长期指数归零 押 100% G = −∞ → 第一次输就完了
这是一个很值得记住的分界：押到凯利的两倍，你的长期增长率正好是 0——赢的和输的完全抵消。再多一点就是负的。
而且这条曲线是不对称的：押 f*/2（半凯利）能保住约 75% 的增长率，但把波动降低一半左右。押不足的代价是温和的，押过头的代价是灾难性的。
所以实践中几乎没有人押满凯利。「半凯利」是一个流行的经验做法——不是因为它数学上更优，是因为你对 p 的估计本身有误差，而高估 p 会让你不知不觉站到曲线的错误一侧。
这一点很关键：凯利公式对参数误差极其敏感，而误差的方向是不对称的。你以为自己胜率 60% 实际只有 55%，那你押的 20% 就是「两倍凯利」，长期增长率归零。
三、赌注要下在很多地方
凯利公式还有一个多资产版本，结论是：把资金分散到多个互相独立的、都有正优势的赌注上，总增长率约等于各自增长率之和，而波动远小于集中下注。
这是「分散投资」的信息论版本，而且它给出的理由和常见说法不同：不是「不要把鸡蛋放一个篮子」这种风险规避的说辞，而是「独立的信息可以相加，而独立的风险只按平方根相加」。
凯利公式的历史很有意思：
- John Kelly（1956）在贝尔实验室写这篇论文时，用的框架就是「一个赌徒收到一条有噪声的内幕消息」——他明确地把它当成信道问题在解。论文标题就叫《信息率的一种新解释》。
- Ed Thorp 把它用在二十一点和后来的对冲基金上，写了《Beat the Dealer》。香农本人和 Thorp 合作过一个预测轮盘赌的可穿戴计算机项目。
- 它在职业赌博、期权做市、和一部分量化投资里是标准工具。
但它的适用边界很重要，而且经常被忽略：
- 它要求你知道真实的 p。金融市场里你不知道，你只有一个估计，而估计误差会系统性地让你押过头。
- 它优化的是「长期几何增长率」。如果你的时间尺度不够长，或者中途有强制平仓、有生活开支、有心理承受极限，凯利给出的波动可能让你活不到长期。
- 它假设赌注可以无限分割、结果独立同分布。现实里这三条都常常不成立。
所以更稳妥的读法是：凯利给的是一个「绝对不该超过」的上界，而不是一个「应该照做」的操作指南。
这个坑之所以深，是因为「最大化期望值」在加性场合是完全正确的。买一份期望为正的保险、接一个期望为正的项目——这些是加性的，期望值就是对的指标。
判断标准很简单：这一轮的输赢，会不会改变下一轮的本金？
- 不会（每次都是独立的固定金额）→ 加性，看期望值。
- 会（本金滚动）→ 乘性，看对数期望。
而现实里几乎所有「投资」「复利」「增长」都是乘性的。这也是为什么「平均年化收益 15%」这种说法要小心——如果波动很大，几何平均可能远低于算术平均，而你拿到的是几何平均。
《配平》讲投资，那本书的核心发现之一是：100% 股票的年化 7.41%、最大回撤 −66.09%，而 60/40 年度再平衡是 7.28% / −33.44%——收益几乎没少，回撤砍了一半。
这一章给了那个现象一个理论解释：再平衡是在做一件凯利式的事——它把仓位拉回一个不超过增长率最优点的水平。而回撤减半、收益几乎不变，正好是「押不足的代价温和、押过头的代价灾难」这条不对称曲线的形状。
而这个 20% 给出的增长率是 0.029 比特每注——正好等于 1 − H(0.6)，也正好等于一条翻位率 40% 的信道的容量。
选 A 的人掉进了期望值陷阱；选 B 的人用了一个听起来合理但没有依据的规则；选 D 的人方向对（保守），但代价是把增长率白白让掉一大块。
顺带看一眼 demo 里那个模拟：500 注之后，理论预期和实际结果经常差好几倍。这不是模拟不准，这是方差——而它提醒你，「长期」这两个字比公式看起来的要长得多。
这一章的一句话
凯利的增长率 G = 1 − H(p)，和信道容量一个字都不差：一个赌徒和一条信道是同一个数学对象。而 1 比特的信息优势，字面上等于财富每注翻一倍。
卷 V 结束。最后一卷讲边界——三种。
下一章讲物理的边界：擦掉一个比特，宇宙向你收多少钱。这个数有单位，是焦耳，而且在 2012 年被实验测出来过。