综合得分
1.32
Kelly
36.3%
1 / 12
跳槽 (大厂转独角兽)
职业 / 跳槽 · 18 个月时间窗
综合得分 1.32 · 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（¥141,600 等价资本）与时间窗（18 个月）下，本机会的胜率先验为 55.0%，盈亏比 b=2.40，对应期望收益 EV=¥123,192，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 36.3% 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。
稳定大厂跳到 B/C 轮独角兽。换 RSU 为期权，期望收益高但波动放大。
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
55.0%
成功概率（先验）
盈亏比 b
2.40 ×
b = E[win] / E[loss]
期望收益
¥123,192
EV = capital × (p × b − (1 − p))
Kelly 仓位
36.3%
(b·p − (1 − p)) / b
RAROC
1.34
EV / (capital × σ)
综合得分
1.32
score = p × b
3 / 12
你投入了什么
等价资本 ¥141,600，由五类资源折算而来。
本机会的等价资本为 ¥141,600，其中最大的一笔投入是「机会成本」，占比 85%（¥120,000）。机会成本是『放弃方案的预期收益』，常被低估；如果这件事失败，你将同时承受『投入损失 + 错过对照组』两种代价。
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
63.3%
Beta(α=19, β=11)
行业盈亏比 P50
1.80 ×
P90 3.50×
你给的胜率 55.0% 低于该类别基线 63.3%（-8.3%）。这通常是『决策更稳健』而非劣势 — 但也意味着 EV 会偏低。 盈亏比 2.40× 高于基线 P50 1.80× — 请确保你建模的『成功』情景没有把长尾压扁。 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
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 ¥105,917）。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 ¥74,765），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-switch-job-unicorn——同样的输入重跑会得到同样的分布。
P5
-¥209,191
中位数 (P50)
¥143,263
P95
¥813,799
正收益概率
55.1%
10,000 次蒙特卡洛模拟显示：P5 = -¥209,191，P50 = ¥143,263，P95 = ¥813,799，正收益概率 = 55.1%。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 = ¥195,153，Base = ¥123,192，Bear = ¥59,642。Bull 与 Bear 之间的差距 ¥135,511 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 = 0.55, 2.4, 0.65, 141600
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 = 0.55, b = 2.4, sigma = 0.65, capital = 141600;
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：猎聘《2023 跳槽白皮书》 + Linkedin China
- · Decision Lab 算法文档
- · 完整商业计划书 (PDF)