反马丁格尔真正暴露的不是“加码技巧”，而是一个残酷事实：资金管理不能凭空创造交易优势
AH-0573比常见“倍投教程”成熟的一点，是作者主动问了一个正确问题：连赢加码、连输缩仓，真的会创造长期优势吗？ 素材先用一个两期公平赌局演示：初始资金100，第一笔下注20%，赢后放大、输后缩小。四条路径的算术平均仍然回到100，但几何增长受到波动拖累。随后又把问题推进到Kelly、序列相关和参数敏感性。 这条素材值得留下，但必须把三个经常混在一起的概念彻底拆开： Edge、Pos
反马丁格尔真正暴露的不是“加码技巧”，而是一个残酷事实：资金管理不能凭空创造交易优势
AH-0573比常见“倍投教程”成熟的一点，是作者主动问了一个正确问题：连赢加码、连输缩仓，真的会创造长期优势吗？
素材先用一个两期公平赌局演示：初始资金100，第一笔下注20%，赢后放大、输后缩小。四条路径的算术平均仍然回到100，但几何增长受到波动拖累。随后又把问题推进到Kelly、序列相关和参数敏感性。
这条素材值得留下，但必须把三个经常混在一起的概念彻底拆开：
Edge、Position Sizing、Path Dependence。
1. 资金管理只能改变“怎么暴露”，不能凭空创造正期望
假设一个交易本身没有优势，胜率和盈亏比合起来给出的期望不为正。
你可以： 固定仓位； 赢后加码； 输后减仓； 按波动缩放； 按账户权益缩放。
这些会改变收益路径、波动和破产概率，但不会自动把负期望变成正期望。
Sizing Changes Exposure, Not Signal Quality。
真正决定长期能不能赚钱的第一层，仍然是： 信号是否有正期望； 这个正期望是否在费用、滑点后还存在。
2. “几何平均更低”说明的是波动拖累，不是反马丁格尔专属诅咒
账户复利面对的是乘法过程。
同样+20%再-20%，不会回到原点。
因此越大的路径波动，越需要更高的平均收益去补偿。
反马丁格尔在连赢时放大仓位，可能放大趋势段收益，也可能把下一笔反转的损失放大。
所以真正研究的是：
Return Distribution； Serial Correlation； Sizing Rule； Rebalancing； Drawdown。
不是给策略贴“反马丁格尔好/坏”的标签。
3. Kelly只在参数可信时才有意义
Kelly公式很漂亮。
但现实里最难的不是代公式，而是你真的知道： p是多少？ b是多少？ 未来是否和历史一样？ 估计误差有多大？
如果edge估计错了，Kelly会非常敏感。
因此实践里更值得研究： Fractional Kelly； Parameter Uncertainty； Drawdown Constraint； Regime Shift。
Optimal Fraction under Known Parameters ≠ Safe Fraction under Estimated Parameters。
4. 趋势策略赚钱，不代表“赢后加码”本身创造了Alpha
原素材提出了关键区分：
如果今天赚钱让明天继续赚钱概率更高，那么赢后放大暴露可能有逻辑。
这背后真正存在的是： 正自相关； 趋势持续； 状态信息。
资金管理只是在利用已有结构。
反过来，如果收益负自相关，赢后加码可能正好在高点扩大风险。
所以：
Serial Dependence Can Justify Dynamic Sizing; Dynamic Sizing Does Not Prove Serial Dependence。
5. 参数敏感性是最重要的危险信号之一
素材作者自己说，回测里加码比例从+20%改成+10%，结果可能从暴赚翻成暴亏；趋势期和震荡期表现也完全不同。
这类现象说明：
策略可能依赖狭窄参数； 对市场状态敏感； 自由度很高； 容易过拟合。
以后遇到任何动态仓位策略，都必须做：
Parameter Surface； Regime Split； Walk-forward； Out-of-Sample； Costs； Stress Test。
只展示一条最漂亮参数曲线，不足以进入Edge讨论。
6. 仓位规则必须与“最大可承受损失”绑定
即使策略有edge，也不能只追求长期理论增长率。
真实投资者还有： 现金需求； 最大回撤承受； 追加保证金； 杠杆约束； 行为崩溃点； 账户生存。
因此仓位设计至少有两层：
Growth Objective； Survival Constraint。
Growth-optimal ≠ Human-optimal。
7. “连赢”也可能只是同一风险暴露被重复计数
如果连续几笔交易高度相关，例如： 同一行业； 同一宏观因子； 同一趋势资产； 同一币种；
你以为自己是“赢了三次所以加码”。
实际上可能只是同一个因子涨了三天。
所以动态加码前要看：
Trade Independence； Factor Exposure； Correlation Cluster。
否则所谓“根据连续胜利提高信心”，可能只是在集中单一风险。
8. 商业机会：Position Sizing Evidence Lab
真正可以产品化的不是“反马丁格尔计算器”。
而是：
Signal Edge → Return Sequence → Fixed Sizing → Dynamic Sizing → Fractional Kelly → Parameter Uncertainty → Drawdown → Costs → OOS → Survival。
用户输入自己的历史交易，不直接给“最佳仓位”，而是显示：
不同仓位规则怎样改变： 收益； 回撤； 破产风险； 参数敏感性； 尾部损失。
9. V3应该验证“决策有没有变好”
不看哪条曲线最高。
看用户是否因此： 减少过度加码； 发现策略没有edge； 识别相关暴露； 接受更小仓位； 提前定义Stop Rule。
Stop Rule
如果一个仓位策略只有： 特定参数； 特定趋势区间； 不计成本； 忽略估计误差；
才漂亮，就不要叫“优化”。
资金管理能决定你怎么活着穿过市场，但它不能替一个没有优势的策略发明优势。
10. 还要区分“仓位跟随账户”与“仓位跟随胜负”
账户权益增长后，按固定百分比自然增加名义仓位，这是复利中的常规结果；反马丁格尔额外做的，是把最近的胜负序列当成下一笔仓位信息。
这两件事不能混在一起。
如果策略只是固定风险百分比，盈利后账户变大，下一笔金额自然上升，不代表它在使用“连赢信号”。
真正需要验证的是：最近胜负是否真的提供了独立可预测信息。
11. 序列测试要防“交易定义改变”
当策略不断修改入场条件、交易频率或市场品种时，所谓连赢/连输序列已经不是同一个生成过程。
因此动态仓位研究必须冻结： Signal Definition； Universe； Holding Period； Execution； Sizing Formula。
否则你以为在研究仓位，实际上连交易本身都变了。
12. 风险预算应该先于仓位公式
一个账户可能同时跑多个策略。每个策略单独看都“不过度”，叠加后却暴露在同一个市场因子上。
因此更成熟的顺序是：
Portfolio Risk Budget → Strategy Risk Budget → Trade Sizing → Dynamic Adjustment。
仓位公式必须服从组合层风险，而不是各自独立追求增长率。