Investing Is Compression

✨

这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

Each language version is independently generated for its own context, not a direct translation.

这篇文章的核心观点非常迷人：投资本质上就是一个“压缩”问题。

作者奥斯卡·斯蒂夫曼（Oscar Stiffelman）借用信息论（Information Theory）的视角，重新解读了著名的“凯利公式”（Kelly Criterion）。为了让你轻松理解，我们可以把投资想象成在充满噪音的房间里听清一个声音，或者在迷雾中导航。

以下是用通俗语言和生动比喻对这篇论文的解读：

1. 核心冲突：为什么“凯利公式”是对的？

在 1950 年代，数学家凯利提出：如果你想让财富长期增长最快，不要追求“平均赚多少钱”，而要追求“对数财富增长最大化”。简单来说，就是不要把所有鸡蛋放在一个篮子里，也不要太保守，要找到一个完美的平衡点。

当时的经济学大牛保罗·萨缪尔森（Paul Samuelson）强烈反对，他认为这个公式太主观、太保守，甚至把它挡在了主流经济学门外。

但后来的计算机科学家（如斯坦福的 Tom Cover）证明萨缪尔森错了。凯利公式不仅仅是“一种策略”，它是客观最优解。

比喻：想象你在玩一个无限长的游戏。如果你只盯着单次赢钱的最大化，你可能会因为一次运气不好就彻底破产（归零）。凯利公式就像是一个老练的船长，他不在乎单次风暴能不能让你赚大钱，他只在乎如何确保你的船在 100 年后还能浮在水面上，并且跑得最快。

2. 投资的秘密公式：把问题拆解成三部分

作者最精彩的贡献在于，他利用一种数学技巧（把“乘积”变成“求和”），把复杂的投资问题拆解成了三个部分。这就像把一道复杂的菜拆解成了食材、烹饪难度和调味误差。

投资的增长率 = （市场给的回报） - （不确定性/熵） - （你的错误/散度）

让我们用**“射箭”**来比喻这三个部分：

金钱项（Money Term）—— 靶子本身：
- 这是市场给你的规则。比如靶子离你多远，箭飞行的物理规律。这部分是你无法控制的，它是客观存在的。
熵项（Entropy Term）—— 靶子的混乱度：
- 这是市场的不确定性。如果靶子周围全是迷雾，或者靶子本身在随机乱动，这就是“高熵”。这也是无法控制的，是市场自带的噪音。
散度项（Divergence Term）—— 你的瞄准误差：
- 这是唯一你能控制的部分！
- 想象你心里有一个“完美的瞄准点”（真实的市场概率分布），但你手里拿的弓（你的投资组合）瞄准的是另一个点。
- 这两个点之间的距离，就是“散度”。
- 关键结论：你的投资回报，完全取决于你如何缩小这个距离。如果你能完美预测市场，距离为 0，你就赢了；如果你猜错了，距离越大，你的财富增长就被“摩擦”掉得越多。

一句话总结：投资不是去预测未来，而是尽可能减少你的判断与真实世界之间的“信息误差”。

3. 投资就是“压缩” (Investing is Compression)

既然投资是减少“误差”，那它和“压缩”有什么关系？

比喻：想象你要给一个朋友发一张地图。
- 如果地图全是噪音（随机乱画），你需要发很多字节才能描述清楚，这叫“高熵”，很难压缩。
- 如果你能发现地图里的规律（比如“所有路都通向山顶”），你就可以用很少的字节描述它，这叫“压缩”。
在投资中：
- 市场充满了噪音（非平稳数据）。
- 如果你能找到一个策略，用最少的“信息量”（最简洁的逻辑）去解释市场的走势，并且这个策略能跑赢其他所有策略，那你就是在压缩市场。
- 凯利公式就是那个最完美的压缩算法。它告诉你：不要试图记住每一个历史细节（那是无法压缩的噪音），而要找到那个能代表真实概率分布的“核心模式”。

4. 一个实用的新技巧：赢家比例法 (Winner Fraction)

作者还提出了一个针对风险投资（VC）或复杂市场的实用方法。

场景：你有 10 个初创公司要投资，但你不知道它们具体能赚多少钱（无法建模），你只知道它们谁最可能“活下来”或“成为独角兽”。
传统做法：试图计算每个公司的详细财务模型（太难了，容易出错）。
作者的新方法（赢家比例法）：
- 不要管它们赚多少，只问：“在所有的可能性中，这家公司获胜的概率是多少？”
- 比如，公司 A 有 50% 的概率成为赢家，公司 B 有 10%。那你就按 5:1 的比例分配资金。
为什么有效？
- 作者证明，这种方法的“损失”（比完美策略少赚的部分）被熵（不确定性）限制住了。
- 比喻：如果你只有 2 个选择，猜对其中一个，误差很小；如果你有 1000 个选择，猜错的可能性就很大。但只要你的候选池子不大，或者某个公司“赢面”特别大，这个方法就极其有效。

5. 对回测（Backtesting）的启示

在金融界，大家喜欢用历史数据回测策略。但作者指出，历史数据充满了“极端事件”（黑天鹅），直接看平均数没意义。

新视角：既然“市场回报”和“市场噪音”对所有策略都是一样的，那么两个策略之间的差距，纯粹就是“谁更接近真实世界”的差距。
比喻：就像两个学生在考试中，试卷（市场）是一样的，题目难度（熵）也是一样的。他们分数的差异，完全取决于谁少犯了错（谁的散度更小）。所以，比较策略时，不要看谁赚得多，要看谁离真理更近。

总结

这篇文章告诉我们：

投资不是赌博，而是一场信息战。
不要试图预测每一个波动，那是徒劳的。
你的目标应该是最小化你的判断与真实世界之间的“信息距离”。
凯利公式之所以伟大，是因为它不仅是赚钱公式，更是信息压缩公式。它帮你把混乱的市场噪音，压缩成最简洁、最有效的行动指南。

最终结论：如果你能像压缩文件一样，用最精简的逻辑去捕捉市场的核心规律，你就掌握了投资的终极密码。

Each language version is independently generated for its own context, not a direct translation.

论文技术总结：投资即压缩 (Investing is Compression)

1. 研究背景与核心问题 (Problem)

凯利准则的历史争议：1956 年 John Kelly 提出了凯利准则（Kelly Criterion），旨在通过最大化对数财富增长率来平衡风险与收益。然而，经济学家 Paul Samuelson 曾强烈反对，认为对数效用函数是“任意的”和“主观的”，并成功将其排除在主流经济学之外。
现有理论的局限：虽然 Tom Cover 在斯坦福大学的工作证明了凯利准则在长期财富最大化、破产风险最小化以及博弈论意义上的竞争性最优性，但传统的投资组合理论（如马科维茨的现代投资组合理论 MPT）仍主要基于统计学的“风险 - 收益”二维框架，未能揭示投资问题的深层信息结构。
核心问题：如何从信息论的角度重新形式化一般情况下的投资问题？是否存在一种通用的数学结构，能够解释为什么凯利准则是最优的，并指导我们在非平稳市场中的策略选择？

2. 方法论 (Methodology)

作者采用了 Tom Cover 在“通用投资组合”（Universal Portfolio）理论中使用的核心数学技巧，将多期投资问题从“和的乘积”重构为“积的和”，从而揭示其信息论结构。

数学重构（Product of Sums $\to$ Sum of Products）：
- 传统视角： $n$ 期的总回报 $R_n$ 是每期回报的乘积（ $R_n = \prod_{t=1}^n r_t$ ），其中每期回报是资产权重的加权和（ $r_t = \sum w_i r_{i,t}$ ）。
- Cover 的技巧：将“和的乘积”展开为“积的和”。这意味着多期复利过程可以被视为对指数级数量的“单期赛马式”（Horse Race，即每期只押注一个资产）投资序列的加权平均。
- 类型类（Type Class）分析：利用组合数学和斯特林公式（Stirling's Approximation），将序列按经验频率分布（Type Class）分组。证明随着 $n$ 增大，权重会指数级地集中在与投资组合权重 $W$ 匹配的类型类上。
信息论分解：
- 通过对数回报的期望值进行分解，将投资问题拆解为三个独立项：
  1. 金钱项 (Money Term)：取决于市场规则/支付结构（与策略分配无关）。
  2. 熵项 (Entropy Term)：取决于真实概率分布的不确定性（与策略分配无关）。
  3. 散度项 (Divergence Term)：即 Kullback-Leibler (KL) 散度 $D_{KL}(P^* \| W)$ ，衡量策略分布 $W$ 与未知真实分布 $P^*$ 之间的差异。

3. 关键贡献 (Key Contributions)

投资即压缩 (Investing is Compression)：
- 论文证明，最大化复利增长率等价于最小化策略分布与真实分布之间的 KL 散度。
- 由于金钱项和熵项在给定市场环境下是常数，优化投资本质上就是最小化“摩擦”（即散度）。这在信息论中等同于压缩问题：寻找对未知真实分布的最佳编码（分配）。
一般化凯利目标的分解：
- 即使在最一般的情况下（非互斥事件、多资产），凯利目标函数依然可以分解为： $g(W) = \text{Money} - H(P^*) - D_{KL}(P^* \| W)$ 。
- 这从数学上证实了 Samuelson 的错误：对数效用并非主观偏好，而是客观最优解，因为它最小化了信息损失。
回测分析的新视角：
- 提出在回测中，不同策略的对数增长差异直接对应于它们相对于“未知理想分布”的散度差异（以比特为单位）。
- 这使得在数据非平稳（Non-stationary）的情况下，比较策略性能变得更具统计意义，因为常数项被抵消了。
获胜者比例启发式算法 (Winner Fraction Heuristic)：
- 针对难以建模联合回报分布的场景（如风险投资），提出一种新启发式方法：按资产在候选集中“获胜”（即表现优于其他所有资产）的概率比例分配资本。
- 熵界证明：证明了该启发式策略与最优策略之间的增长差距，被“获胜者分布”的熵 $H(W')$ 所界定。
- 这意味着当候选集较小或回报分布极端时，该启发式方法非常有效。

4. 主要结果 (Results)

理论结果：
- 证明了凯利策略在博弈论意义上是竞争性最优的，不仅限于长期，甚至在短期也优于其他策略。
- 推导了通用投资组合的渐近性能，表明即使不知道真实分布，通过均匀分配权重到所有可能的序列类型，也能达到与知道规则但不知道未来的“理想对手”相同的渐近增长率。
算法结果：
- 对于“获胜者比例”策略，其增长率损失 $g(W^*) - g(W') \le H(W')$ 。
- 该结果表明，如果市场结果高度确定（熵低，即某资产几乎总是获胜），该启发式方法几乎等同于最优解。

5. 意义与影响 (Significance)

范式转移：将投资从传统的“统计风险 - 收益”框架转移到“信息论压缩”框架。风险不再仅仅是方差，而是信息分布的错配（KL 散度）。
统一性：统一了赌博、投资组合优化和信息压缩。它解释了为什么凯利准则能同时解决长期财富最大化和短期竞争最优性问题。
实践指导：
- 回测解释：为量化分析师提供了新的工具，通过计算策略间的“散度差”来评估策略优劣，而非仅仅依赖绝对收益率。
- 风险投资与高维市场：在无法精确建模联合分布的高维、稀疏、非平稳市场（如 VC 投资）中，提供了一种基于“获胜概率”而非“回报数值”的可行且理论有界的分配策略。
反驳 Samuelson：从信息论角度彻底推翻了 Samuelson 关于对数效用函数是“任意主观”的论断，确立了其作为客观最优投资准则的地位。

总结

Oscar Stiffelman 的这篇论文通过引入 Cover 的数学技巧，深刻揭示了投资的本质：投资是一个压缩问题。最优投资策略就是最小化策略分布与真实世界分布之间的信息距离（KL 散度）。这一发现不仅为凯利准则提供了坚实的理论基础，还为处理非平稳市场和高维投资问题（如风险投资）提供了新的启发式方法和理论边界。