综合得分
1.12
Kelly
40.9%
1 / 12
读研 (硕士)
升学 / 进修 · 36 个月时间窗
综合得分 1.12 · 数学上值得做，但需按风险预算缩减仓位 (GO_REDUCED)
在你给定的资源投入（¥1,140,000 等价资本）与时间窗（36 个月）下，本机会的胜率先验为 62.0%，盈亏比 b=1.80，对应期望收益 EV=¥839,040，风险调整后收益 RAROC=1.34。这是一个 EV 为正、数学上值得动手的机会。Kelly 公式建议的最优仓位 40.9% 高于你画像 (在职决策者) 的风险预算上限 20%，因此平台对你的建议会自动缩到上限。
📝 国内/海外硕士 2-3 年。高时间 & 机会成本，胜率高、盈亏比中等。适合系统性提升职业天花板。
2 / 12
决策摘要 · 三大数字
EV / Kelly / RAROC 是平台的三块基石
胜率 p
62.0%
成功概率（先验）
盈亏比 b
1.80 ×
b = E[win] / E[loss]
期望收益 EV
¥839,040
EV = capital × (p × b − (1 − p))
Kelly 仓位 f*
40.9%
(b·p − (1 − p)) / b
RAROC
1.34
EV / (capital × σ)
综合得分
1.12
score = p × b
3 / 12
资源投入分析
等价资本 ¥1,140,000 · 五维资源逐项拆解
本机会的等价资本为 ¥1,140,000，其中最大的一笔投入是「个人时间」，占比 47%（¥540,000）。时间一旦投入便无法收回；建议设定明确的『时间预算上限』并在过半时强制复盘。
影子价格说明
平台默认 1 小时个人时间 = ¥120，1 人月 = ¥36,000。这两个数字来自国家统计局工资中位数 + 技术岗市场薪酬调研，可在「假设清单」一键修改。
4 / 12
同类决策基准对比
行业胜率分布 (Beta 后验) vs 你的输入
行业胜率 P50
60.0%
Beta(α=18, β=12)
行业盈亏比 P50
2.00 ×
P90 4.50×
你给的胜率 62.0% 与该类别的行业基线 60.0% 基本持平。 盈亏比 1.80× 与基线 P50 2.00× 接近。 基线来自：教育部学位中心 2023 + QS 排名就业数据。
基线来源：教育部学位中心 2023 + QS 排名就业数据
5 / 12
行动方案与风险预算
基于画像「在职决策者」的个性化建议
建议：减仓做（GO_REDUCED） — 这件事 EV 为正、值得做，但 Kelly 推荐仓位超出了你的风险预算上限，请按下方 risk_budget 缩减投入规模。
- Kelly 公式给的仓位明显超过你的风险预算，意味着这件事虽然好，但对你目前的资源来说太大；按风险预算上限投入即可。
- 用『拆分阶段投入』替代『一次性 All-in』：先做一个 MVP 或试点，跑通指标后再加码。
- 评估是否能拉一个合伙人共担 50% 的资金 / 时间投入；这等价于把你的实际仓位降一倍。
6 / 12
敏感性分析 · Tornado
±20% 单变量摆动对 EV 的影响
- · Tornado 显示「胜率」是结论最敏感的变量（±20% 摆动会让 EV 移动 ¥791,616）。建议优先收集这个变量的更准信息。
- · 第二敏感变量是「盈亏比」（EV 摆动 ¥508,896），其余变量影响显著较小。
- · 把『信息成本 < EV 摆动 / 5』作为收集情报的快速判定法 — 高于这个值就不值得再花时间。
7 / 12
蒙特卡洛分布
10,000 次模拟 · seed=demo-graduate-school
P5
-¥1,561,536
P50 (中位)
¥1,270,170
P95
¥4,394,637
正收益概率
61.8%
10,000 次蒙特卡洛模拟显示：P5 = -¥1,561,536，P50 = ¥1,270,170，P95 = ¥4,394,637，正收益概率 = 61.8%。分布形态偏对称（收益与亏损分布均衡）。
8 / 12
情景分析
Bull / Base / Bear (±15% 同向)
情景分析（胜率与盈亏比同向 ±15%）：Bull = ¥1,355,357，Base = ¥839,040，Bear = ¥379,973。Bull 与 Bear 之间的差距 ¥975,384 反映了你假设的脆弱性 — 差距越大，越值得做更详细的尽调。
9 / 12
反事实矩阵
如果胜率/盈亏比变成… EV 会是多少
反事实矩阵显示：要让 EV ≥ 0，胜率至少要达到 20%，或者盈亏比至少要 0.5×。请用这两条线作为后续验证假设的最低门槛。
10 / 12
假设清单
任何一个值都可一键编辑后重算
11 / 12
数学复现附录
同一份数据：Python + TypeScript 双实现
核心公式
EV = capital × (p × b − (1 − p)) f* = (b·p − (1 − p)) / b RAROC = EV / (capital × σ)Python 复现脚本
from models.feasibility_model import expected_value, kelly_fraction, raroc, go_no_go
p, b, sigma, capital = 0.62, 1.8, 0.55, 1140000
ev = expected_value(p, b, capital)
kelly = kelly_fraction(p, b)
rr = raroc(ev, capital, sigma)
print(ev, kelly, rr, go_no_go(ev, kelly, 0.20, rr))TypeScript 复现脚本
import { expectedValue, kellyFraction, raroc, goNoGo } from "decision-lab/lib/feasibility";
const p = 0.62, b = 1.8, sigma = 0.55, capital = 1140000;
const ev = expectedValue(p, b, capital);
const kelly = kellyFraction(p, b);
const rr = raroc(ev, capital, sigma);
console.log(ev, kelly, rr, goNoGo(ev, kelly, 0.20, rr));这些脚本与 GitHub 仓库 models/feasibility_model.py 与 lib/feasibility/ 一一对应；运行后能复现本页所有数字到 IEEE-754 精度。
12 / 12
数据来源 + 免责声明
- · Kelly J.L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal.
- · Markowitz H. (1952). Portfolio Selection. The Journal of Finance.
- · Sharpe W.F. (1966). Mutual Fund Performance. The Journal of Business.
- · Kahneman D. & Tversky A. (1979). Prospect Theory. Econometrica.
- · 行业基准来源：教育部学位中心 2023 + QS 排名就业数据
- · Decision Lab 算法文档
- · 完整商业计划书 (PDF)