凯利指数变化解读与Python实战
凯利指数基础
凯利指数(Kelly Criterion)最初用于投资组合优化,后被广泛应用于博彩和金融领域,在赔率分析中:

凯利指数 = (赔率 × 概率 - 1) / (赔率 - 1)
其中概率可通过隐含概率(1/赔率)或真实概率估算,常用的还有凯利值(Kelly Value):
凯利值 = 返还率 × 概率 / 赔率 ... (不同流派公式略有差异)
大多数博彩公司使用简化版:
凯利指数 = 赔率 × 概率
Python案例:读取并解读凯利指数变化
构造示例数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 模拟一场比赛、三家机构、随时间变化的欧赔和凯利指数
data = {
'time': pd.to_datetime([
'2024-01-01 00:00','2024-01-01 06:00','2024-01-01 12:00',
'2024-01-01 18:00','2024-01-02 00:00','2024-01-02 06:00',
]),
'company': ['Pinnacle']*6,
'home_odds': [2.10, 2.05, 2.00, 1.95, 1.90, 1.88],
'draw_odds': [3.50, 3.45, 3.40, 3.35, 3.30, 3.28],
'away_odds': [3.60, 3.70, 3.80, 3.90, 4.00, 4.10],
'home_kelly': [0.98, 0.97, 0.96, 0.94, 0.92, 0.91],
'draw_kelly': [1.02, 1.01, 1.00, 0.99, 0.98, 0.97],
'away_kelly': [1.00, 1.02, 1.04, 1.06, 1.07, 1.08],
}
df = pd.DataFrame(data)
print(df)
计算凯利指数变化率
for col in ['home_kelly', 'draw_kelly', 'away_kelly']:
df[f'{col}_pct'] = df[col].pct_change() * 100 # 百分比变化
df[f'{col}_diff'] = df[col].diff() # 绝对变化
print(df[['time','home_kelly','home_kelly_diff','home_kelly_pct']])
可视化解读
fig, ax = plt.subplots(figsize=(10,5))
for k in ['home','draw','away']:
ax.plot(df['time'], df[f'{k}_kelly'], marker='o', label=f'{k} kelly')
ax.axhline(y=1.0, color='gray', linestyle='--', label='基准线1.0')
ax.set_title('凯利指数随时间变化')
ax.legend()
plt.xticks(rotation=30)
plt.tight_layout()
plt.show()
如何解读凯利指数的变化(核心要点)
解读原则一:以 0 为基准线
- 凯利 > 1.0:该结果被机构认为有投注价值(返奖率高于该选项自身概率补偿),通常是资金/信心分布较高的一侧。
- 凯利 < 1.0:机构认为该结果价值相对更低(或利润空间更高)。
- 多家机构凯利都 < 1.0 且接近统一:通常是热门的"稳"选项。
解读原则二:变化方向比绝对数值更重要
| 变化方向 | 常见含义 |
|---|---|
| 某选项凯利持续上升 | 机构在增加对该结果的保护(降低该结果赔付风险,倾向看好),或市场资金流入推动赔率下调后凯利相对上升 |
| 某选项凯利持续下降 | 机构在引导资金流向该结果(抬赔率吸引投注),通常代表不看好或意图分散风险 |
| 凯利值剧烈波动 | 数据不稳定、机构分歧大、或临场信息(伤停、阵容)冲击 |
| 三选项凯利趋于收敛(接近1.0) | 市场趋于成熟、赔率充分反映概率,博彩公司利润空间被压缩 |
解读原则三:跨机构横向对比
- 某机构凯利显著低于同行:说明该机构对该结果"不看好"或"赔率给得偏低",往往是强信号。
- 某机构凯利显著高于同行:该机构可能在该选项上留有更高返奖,注意是否为诱导。
解读原则四:结合赔率一起看
# 凯利变化与赔率变化的相关性
corr = df['home_odds'].corr(df['home_kelly'])
print(f"主胜赔率与凯利相关性: {corr:.3f}")
- 若赔率下降而凯利上升:机构主动降低该结果赔付,是强烈看好信号。
- 若赔率上升而凯利也上升:可能是市场整体返奖率提升,而非单一选项看好。
- 若赔率稳定但凯利突变:通常是返奖率调整导致,需要结合其他机构判断。
进阶:多机构凯利离散度分析
# 假设 df 包含多家机构、同一时间点数据
def kelly_dispersion(df_time):
return {
'home_std': df_time['home_kelly'].std(),
'draw_std': df_time['draw_kelly'].std(),
'away_std': df_time['away_kelly'].std(),
'mean_home': df_time['home_kelly'].mean(),
}
# 离散度越小,市场越一致;离散度大 = 机构分歧,谨慎
- 离散度小 + 均值平稳:市场一致,凯利变化可信度高。
- 离散度大:机构对某结果分歧明显,通常是"冷门"预警或信息不对称,需警惕。
经典的"凯利指数异常"识别逻辑
def detect_kelly_anomaly(df, threshold=0.05):
"""
识别凯利指数的异常变化
1. 单点跳变 > threshold
2. 三选项同时低于1.0(机构利润挤压,接近稳态)
"""
alerts = []
for i in range(1, len(df)):
prev, curr = df.iloc[i-1], df.iloc[i]
for k in ['home','draw','away']:
delta = curr[f'{k}_kelly'] - prev[f'{k}_kelly']
if abs(delta) > threshold:
alerts.append({
'time': curr['time'], 'side': k,
'delta': round(delta,4),
'direction': '↑保护' if delta>0 else '↓引导'
})
return pd.DataFrame(alerts)
print(detect_kelly_anomaly(df))
实战总结:解读凯利变化的"三步法"
- 看方向:某选项凯利持续上升 → 机构在保护/看好;持续下降 → 引导/看淡。
- 看幅度:小幅(<2%)属正常波动,大幅(>5%)需结合临场信息。
- 看横向:与同行对比,谁偏离 1.0 最远,谁的信号最强。
⚠️ 提示:凯利指数是统计工具,不是"预测神器",它反映的是机构风险偏好与市场资金结构,必须结合赔率、返还率、成交量、球队基本面综合判断,避免单一指标迷信。
如果你有具体的赛事数据(CSV/接口),把数据结构贴出来,我可以帮你定制完整的分析脚本。
版权声明:本站文章为原创整理,转载请注明出处。