综合得分
1.28
Kelly
38.9%
1 / 12
留学 (英美 STEM)
升学 / 进修 · 24 个月时间窗
综合得分 1.28 · 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（¥1,164,000 等价资本）与时间窗（24 个月）下，本机会的胜率先验为 58.0%，盈亏比 b=2.20，对应期望收益 EV=¥996,384，风险调整后收益 RAROC=1.22。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 38.9% 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。
2 年硕士 / 4-5 年博士。高金额 + 高时间 + 高机会成本，长期回报高但风险显著。
2 / 12
三大数字
胜率、盈亏比与期望收益决定了建议的大部分；Kelly、RAROC 与综合得分把它们变成一个可执行的动作。
胜率 p
58.0%
成功概率（先验）
盈亏比 b
2.20 ×
b = E[win] / E[loss]
期望收益
¥996,384
EV = capital × (p × b − (1 − p))
Kelly 仓位
38.9%
(b·p − (1 − p)) / b
RAROC
1.22
EV / (capital × σ)
综合得分
1.28
score = p × b
3 / 12
你投入了什么
等价资本 ¥1,164,000，由五类资源折算而来。
本机会的等价资本为 ¥1,164,000，其中最大的一笔投入是「现金」，占比 52%（¥600,000）。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。
非现金资源如何折价
你自己的时间按每小时 ¥120 计价，雇佣人力按每人月 ¥36,000 计价。这是市场影子价格，不是你个人的实际收入；改动它只影响绝对量级，不改变排序。
4 / 12
与同类决策的对比
你的假设 vs 这一类决策的 Beta(α, β) 先验。
行业平均胜率
60.0%
Beta(α=18, β=12)
行业盈亏比 P50
2.00 ×
P90 4.50×
你给的胜率 58.0% 与该类别的行业基线 60.0% 基本持平。 盈亏比 2.20× 高于基线 P50 2.00× — 请确保你建模的『成功』情景没有把长尾压扁。 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
按你的画像「在职决策者」的风险预算来定仓位。
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
每个变量单独摆动 ±20% 时期望收益的变化，按影响大小排序。排在最前的两个，是你投入之前最值得先去核实的。
- · Tornado 显示「胜率 (p)」是结论最敏感的变量（±20% 摆动会让 EV 移动 ¥864,154）。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 (b)」（EV 摆动 ¥594,106），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，随机种子 demo-study-abroad-stem——同样的输入重跑会得到同样的分布。
P5
-¥1,781,487
中位数 (P50)
¥1,189,072
P95
¥6,691,207
正收益概率
58.4%
10,000 次蒙特卡洛模拟显示：P5 = -¥1,781,487，P50 = ¥1,189,072，P95 = ¥6,691,207，正收益概率 = 58.4%。分布形态偏右偏（长尾收益占主导）。
8 / 12
情景分析
乐观 / 基准 / 悲观三档，胜率与盈亏比同向变动 ±15%。
情景分析（胜率与盈亏比同向 ±15%）：Bull = ¥1,576,650，Base = ¥996,384，Bear = ¥482,955。Bull 与 Bear 之间的差距 ¥1,093,694 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
换成其他胜率与盈亏比组合时期望收益会是多少——也就是你的假设可以错到什么程度，结论才会翻转。
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
支撑上述所有数字的全部输入，集中列在这里。
11 / 12
数学复现附录
自行重算这份报告所需的一切。
核心公式
EV = capital × (p × b − (1 − p)) f* = (b·p − (1 − p)) / b RAROC = EV / (capital × σ)Python
from models.feasibility_model import expected_value, kelly_fraction, raroc, go_no_go
p, b, sigma, capital = 0.58, 2.2, 0.7, 1164000
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
import { expectedValue, kellyFraction, raroc, goNoGo } from "decision-lab/lib/feasibility";
const p = 0.58, b = 2.2, sigma = 0.7, capital = 1164000;
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));两套实现都在代码仓库中，并由 golden parity 测试保证一致：models/feasibility_model.py 与 lib/feasibility/。
12 / 12
数据来源与免责声明
- · 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)