最优 f（拉尔夫·文斯）

定义

取每手的结果列表，以及其中的最大亏损 W（一个负数）。对 0 到 1 之间的一个候选比例 f，每一笔交易变成一个持有期收益 1 + f × (−本笔结果 ÷ W)：最大亏损恰好变成 f 的亏损，而其他每一笔按比例缩放。

终值相对数 TWR 是所有持有期收益的乘积。最优 f 就是让 TWR 最大的那个 f 值。随后它被换算成规模：每 |W| ÷ f 美元净值配一手。这个换算是整套方法真正落地的地方——f 本身只是一个比例，手数才是会被发到市场上的东西。

一个算例

每手十笔交易：+400、−200、+300、−100、−200、+500、−150、+250、−200、+100。净 +700，最大亏损 −200。扫描 f 得到最优点在 0.24 附近，TWR 约 1.49：按每 200 ÷ 0.24 ≈ 833 美元配一手，净值在这十笔交易里会增长 49%。

在 f = 0.10 时 TWR 约 1.31。在 f = 0.50 时它跌到约 0.94，也就是亏钱，而交易列表一模一样。在 f = 0.75 时约 0.17，在 0.90 时约 0.01。这条曲线的形状就是全部的教训：增长在最优点之前上升得很慢，在它之后崩塌得很快，所以把 f 估高的代价远远大于把它估低的代价。

边界

• 历史最大亏损是一个样本统计量；一次比 W 更大的未来亏损，代价会超过净值的 f。
• 最优 f 是对着过去那个序列拟合出来的，它继承了那个序列的全部抽样误差。
• 在最优 f 上的回撤很严重：在 f = 0.24 时，最糟那笔亏损连着重现两次，就抹掉约 42% 的净值。
• 它忽略账户规则，比如单日亏损上限和回撤底线，而这些规则通常在远远达到最优点之前就先生效了。

在 Senzoukria 里

桌面端不计算最优 f。性能面板显示一个由胜率和赔率推出来的凯利比例，并附上提示说明它是理论性的、并且假设各笔交易相互独立——而这在一个交易时段之内很少成立。

两个数字都不驱动下单规模：数量来自下单票据、脚本自己的决策，或者自动驾驶那些带上限的设置。这是刻意的：一个由历史拟合出来的比例，不应该在没有人确认的情况下决定发到市场上的手数。