综合得分
1.01
Kelly
61.1%
1 / 12
技术职业认证 (CFA/PMP)
职业 / 跳槽 · 12 个月时间窗
综合得分 1.01 · 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（¥117,400 等价资本）与时间窗（12 个月）下，本机会的胜率先验为 78.0%，盈亏比 b=1.30，对应期望收益 EV=¥93,216，风险调整后收益 RAROC=2.65。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 61.1% 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。
📝 1 年内完成一项行业认证。高胜率、低盈亏比、低波动，是最稳的「能力杠杆」。
2 / 12
决策摘要 · 三大数字
EV / Kelly / RAROC 是平台的三块基石
胜率 p
78.0%
成功概率（先验）
盈亏比 b
1.30 ×
b = E[win] / E[loss]
期望收益 EV
¥93,216
EV = capital × (p × b − (1 − p))
Kelly 仓位 f*
61.1%
(b·p − (1 − p)) / b
RAROC
2.65
EV / (capital × σ)
综合得分
1.01
score = p × b
3 / 12
资源投入分析
等价资本 ¥117,400 · 五维资源逐项拆解
本机会的等价资本为 ¥117,400，其中最大的一笔投入是「个人时间」，占比 63%（¥74,400）。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
63.3%
Beta(α=19, β=11)
行业盈亏比 P50
1.80 ×
P90 3.50×
你给的胜率 78.0% 显著高于该类别基线 63.3%（+14.7%）。请确认这个『高估优势』来自具体可验证的事实，还是过度乐观偏差。 盈亏比 1.30× 低于基线 P50 1.80× — 在 EV 计算中这通常会显著拉低结果。 基线来自：猎聘《2023 跳槽白皮书》 + Linkedin China。
基线来源：猎聘《2023 跳槽白皮书》 + Linkedin China
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 ¥84,246）。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 ¥47,617），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-professional-cert
P5
-¥130,784
P50 (中位)
¥137,487
P95
¥240,700
正收益概率
78.2%
10,000 次蒙特卡洛模拟显示：P5 = -¥130,784，P50 = ¥137,487，P95 = ¥240,700，正收益概率 = 78.2%。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 = ¥145,343，Base = ¥93,216，Bear = ¥46,445。Bull 与 Bear 之间的差距 ¥98,898 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 = 0.78, 1.3, 0.3, 117400
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 = 0.78, b = 1.3, sigma = 0.3, capital = 117400;
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：猎聘《2023 跳槽白皮书》 + Linkedin China
- · Decision Lab 算法文档
- · 完整商业计划书 (PDF)