Edgekit：假设优势存在，只决定怎么用它、何时停

先说个不太中听的事实：一个真有优势的策略，照样能把账户亏到归零。

大多数爆仓不是输在没优势，是输在执行——单笔下太重，或者策略其实早就死了，人还在硬扛。Edgekit 是我写的一个小库，就管这两件事：手里有个优势，该押多重；以及，什么时候该承认它没了。

它不帮你找优势。优势是你自己带进来的，库只负责把它安全地用掉、并在它失效时叫停。

正期望，不等于能活下来

把交易抽到最简单：抛硬币。赢了资本乘以 $A$（$A>1$），输了乘以 $B$（$0

只看期望的话，$A+B>2$ 这个游戏就该玩——单轮平均是赚的。大部分人就是被这个数字勾进场的。可它是个陷阱。账户是个乘法过程，决定你长期死活的不是和，是积。五五开的时候，真正的生死线是 $AB>1$：

真实交易当然不是五五开。而一旦 $p \neq 0.5$，连 $AB$ 都不管用了。下面两条路径很说明问题：一个 $AB=1.20>1$ 的组合最后破产，一个 $AB=0.84<1$ 的组合反而稳稳往上走。

真正决定命运的，是按概率加权的几何平均：

$$ g = p\ln A + (1-p)\ln B > 0 \quad\Longleftrightarrow\quad A^{p} \cdot B^{1-p} > 1 $$

$A+B>2$ 让你想玩，$A^{p}B^{1-p}>1$ 才决定你能不能留在牌桌上。前者制造希望，后者决定命运。

翻回交易语言：$A$ 是赢时的增长乘数（盈亏比和风险比例定的），$B$ 是输时还剩多少（也就是 1 减去风险比例）。很多人死盯盈亏比、拼命要大的 $A$，却让风险比例失控、把 $B$ 压得太小，结果 $g<0$，越做越穷。Edgekit 整个库，就是为了管理这个乘法过程而存在的。

它只做两件事

它的逻辑是 (参数) → (决策)：你给它带样本量的胜率和盈亏比，它给你执行决策。它不碰市场数据，也不替你找机会。两个问题而已：

• 开仓前——这机会值不值得做，该押多重？（solver）
• 持仓中——当初那个优势，现在还在不在？（monitor）

反过来，它刻意什么都不做：不是自动交易系统（不下单、不连交易所），不是策略发现系统，不做回测，不碰机器学习。这些"不做"恰恰是它的定位——只占执行和风控这一小块，然后把这块做干净。

打个比方：优势是发动机，Edgekit 是变速箱和刹车。发动机得是真的，变速箱才有意义；可发动机再好，没刹车迟早出事。

风险只有一个意思

整个库里，“风险"只有一个含义：

风险 = 止损被打掉的时候，账户最多亏多少钱，用本金的百分比表示。

2% 就是"这一笔最多亏掉本金的 2%"。它不是仓位大小，不是保证金，也不是杠杆。

这条定义是整个系统的地基。把风险跟具体品种的波动脱钩之后，同一套资金管理才能套到任何品种上。仓位不是你想下几手就几手——先定死这一笔肯亏多少（本金 10 万、认 2%，就是 2000），再看止损画在哪，仓位就被这两个数反推出来：

杠杆和合约乘数只是换算口径，改的是保证金和张数，并不会放大止损时的亏损敞口。敞口不变，这条风险定义就不破。

开仓前：该下多重

这是 solver 的活。喂给它的不是"胜率 0.6"这种光秃秃的数字，而是带样本量的证据：100 笔里赢了 60 笔，盈亏比 1.5。为什么非要样本量？因为胜率是估出来的，样本越少越不可靠。它代进凯利公式的也不是你估的那个值，而是它的置信下限——可以理解成"按这点样本，保守说至少有多少胜率”。样本少，下限压得低，结果就保守；样本攒多了，下限自然往点估计靠。

风险比例要过三道关：

1. 凯利定方向：置信下限代进凯利公式，结果为正才允许做。
2. 默认砍一半（half-Kelly）：只用凯利值的一半。得说清楚，半凯利并不是涨得最快的，全凯利才是。砍一半，是拿大约四分之一的增长速度，换来波动减半、外加参数估高了也不至于出大事。它是个稳健取舍，不是最优解。
3. 风险上限（默认 2%）：置信下限只能补"样本太少"，补不了回测过拟合、幸存者偏差这些。所以最后再扣一道硬顶。

三关下来，你拿到的是一个保守、可解释、能审计的单笔风险比例。

平仓后：还活着吗

每平一笔，就把这笔的盈亏喂给 monitor，让它判断当初那个优势还在不在。

第一件得想明白的事：亏损不等于失效。正期望的系统照样会连亏、会深度回撤，那多半只是方差。失效是另一回事——是实际结果已经不像从你当初假设的那个分布里出来的了，是结构性的偏离。

它布了两道彼此独立的防线，任何一道触发就停，不用另一道点头：

• 回撤熔断：当前回撤一碰硬线（默认 30%）就无条件停。回撤直接从净值算，不靠统计推断，所以第一笔起就生效。
• CUSUM 累积和检验：统计学里检测"分布是不是变了"的经典方法，把每笔结果跟一个固定参考值的差距逐笔累加。策略正常时这个数贴着零晃；优势没了，它就一路往上爬——爬到报警线一半，先把风险砍半；到了报警线，停。

这里有个刻意的不对称：停的门槛低，继续的门槛高。单独一条证据就够触发停止；“多方证据互相印证再动手"那种谨慎，只准用在"继续做"这个方向上。道理不复杂——该停没停，亏掉的本金回不来；不该停却停了，损失的只是机会，还能再来。宁可多停，不可漏停。停了之后没有自动恢复，想重启得人工复核、用新的基线参数签一份新 policy。

这其实是 Edgekit 最值钱的地方：它把"我到底还有没有优势"从一个玄学问题，变成一个可证伪的命题。不用它，亏钱之后你永远分不清是运气差还是方法错，只能在"再扛扛"和"换打法"之间反复横跳。用它，每一次失败都收敛成一个干净的结论，而且这一笔最多亏多少，事先就摆在那儿。

它不替你保证什么

丑话得说前头。Edgekit 最重要的一条承重假设是：置信下限只能补偿"样本太少"这一种毛病。回测过拟合、幸存者偏差、市场结构变了——它一概管不了。换句话说，库会把"你以为的优势"当真去用，至于这个"以为"靠不靠谱，得你自己保证。垃圾进，垃圾出，输出质量的上限由输入质量决定。

还有几条前提，塌一条结论就跟着塌：止损得真能成交（跳空、闪崩时实际亏损会超出风险比例，杠杆还会再放大）；输入得是净口径（扣干净滑点和手续费，用毛数字所有结论都偏乐观）；模拟默认每笔交易相互独立（趋势类策略盈亏成串，独立假设会低估风险）。

把边界这样明明白白写出来，本身就是它的一个卖点——它清楚地告诉你，它会在哪儿失灵。

哪儿能拿到

核心是纯函数：不读文件、不连网络、core 层不碰随机数，同样的输入永远给同样的输出，每一步都能手工复算、能审计、能复现。Python 写的，设计成被别的系统调用——交易系统、策略框架，或者 AI agent。

完整的数学推导、API、还有一份手把手的实战指南，都在 edgekit.fists.cc。最后借它的使命宣言收尾，这也是整个库的全部野心：

这个库假设优势是存在的。 它从不尝试寻找优势。 它只决定如何使用它——以及何时停止。