综合得分
0.67
Kelly
10.9%
1 / 12
一线城市购房
房产 / 大件 · 120 个月时间窗
综合得分 0.67 · 在你的画像下 → 建议执行 (GO)
在你给定的资源投入（¥1,296,800 等价资本）与时间窗（120 个月）下，本机会的胜率先验为 48.0%，盈亏比 b=1.40，对应期望收益 EV=¥197,114，风险调整后收益 RAROC=0.38。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 10.9% 在你画像 (在职决策者) 的风险预算上限 20% 之内。
📝 首付 + 10 年贷款。低盈亏比、低波动、高资金占用，主要价值是对冲机会成本与户籍/教育。
2 / 12
决策摘要 · 三大数字
EV / Kelly / RAROC 是平台的三块基石
胜率 p
48.0%
成功概率（先验）
盈亏比 b
1.40 ×
b = E[win] / E[loss]
期望收益 EV
¥197,114
EV = capital × (p × b − (1 − p))
Kelly 仓位 f*
10.9%
(b·p − (1 − p)) / b
RAROC
0.38
EV / (capital × σ)
综合得分
0.67
score = p × b
3 / 12
资源投入分析
等价资本 ¥1,296,800 · 五维资源逐项拆解
本机会的等价资本为 ¥1,296,800，其中最大的一笔投入是「现金」，占比 93%（¥1,200,000）。现金投入有清晰的下限，但请预留 30% 应急资金；切勿把全部可流动资源压在一件事上。
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
46.7%
Beta(α=14, β=16)
行业盈亏比 P50
1.40 ×
P90 2.20×
你给的胜率 48.0% 与该类别的行业基线 46.7% 基本持平。 盈亏比 1.40× 与基线 P50 1.40× 接近。 基线来自：链家研究院 2023 中国住房 ROI。
基线来源：链家研究院 2023 中国住房 ROI
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：可以做（GO） — 在你的风险预算内放手干。
- 按 Kelly 推荐的仓位上限投入；保留至少 30% 的资源作为缓冲。
- 把决策横向告诉一位你信任、但不在这个圈子里的人；他能问出最一针见血的问题。
- 为这件事设一个『撤退条件』（例如 6 个月内未达 X 指标就止损），写进日历。
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 ¥597,565）。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 ¥348,580），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-tier1-property
P5
-¥1,678,564
P50 (中位)
-¥920,991
P95
¥3,016,663
正收益概率
47.6%
10,000 次蒙特卡洛模拟显示：P5 = -¥1,678,564，P50 = -¥920,991，P95 = ¥3,016,663，正收益概率 = 47.6%。分布形态偏右偏（长尾收益占主导）。
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 = ¥571,526，Base = ¥197,114，Bear = -¥138,083。Bull 与 Bear 之间的差距 ¥709,609 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 = 0.48, 1.4, 0.4, 1296800
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 = 0.48, b = 1.4, sigma = 0.4, capital = 1296800;
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：链家研究院 2023 中国住房 ROI
- · Decision Lab 算法文档
- · 完整商业计划书 (PDF)