你根据天气预报决定要不要带伞，不只会看“下雨概率”，也会在意预报员有多拿不准。投资仓位也一样：预测上涨，并不代表应该重仓；如果预测误差很大，理应少押一些。
Robert Jacob Ryan 的论文把这个直觉写进了 Kelly 仓位。Kelly criterion——按胜率和盈亏关系决定押注比例、追求财富长期对数增长的方法——先给出基础仓位；共形预测区间（conformal prediction interval）再充当“不确定性刻度”：区间越宽，说明历史上类似预测错得越远，仓位就越小；区间越窄，仓位就越大。
这个想法在 2016—2021 年的开发窗口里表现亮眼，却没有在封存的 2022 年以后继续战胜被动基准。这个反差比漂亮的回测数字更值得看。本文所有结果均来自作者同一篇 arXiv 论文，尚无独立信源交叉验证。
把误差直接接到仓位旋钮上
传统预测通常给一个点，比如“未来收益可能是 2%”。问题是，同样的 2%，可能来自一个长期稳定的模型，也可能来自一个最近频频失手的模型。只看点预测，仓位管理分不出两者。
论文先记录各资产过去的预测误差，再取滚动误差的分位数，为新预测形成目标覆盖率为 75% 的区间。所谓覆盖率，是实际收益落进区间的频率。若目标是 75%，理想状态就是长期约四次有三次落在区间内。
作者把区间半宽换算成风险尺度，并放进受限的 fractional Kelly：
Fractional Kelly 指只采用完整 Kelly 仓位的一部分，以牺牲一些理论增长，换取较小波动和较低的估计错误风险。这里再由区间宽度动态缩放：预测越不确定，分母越大，仓位收得越紧。
严格说，这不是教科书里的完整 Kelly。Kelly 原本需要完整的收益分布，论文只给它一个区间尺度；模型也忽略资产间协方差，并加上单资产和总杠杆上限。作者因此称它为 Kelly-inspired，即“受 Kelly 启发”的仓位规则。
慢一点，反而更好
论文最有意思的开发集发现，不是区间越灵敏越好，而是相反。
作者测试了多种让区间更快追随市场的设计，包括近期数据加权、波动率缩放、Adaptive Conformal Inference，以及不对称区间。它们在开发窗口里全部拖累年增长，降幅为 0.7—5.3 个百分点。表现最好的是简单、缓慢、无权重、逐资产计算的滚动分位数。
作者的解释是：预测区间若用于描述单次预测，快速适应当前环境通常有吸引力；但它一旦进入仓位公式，宽度的每次抖动都会变成仓位变化，并通过复利付出代价。此时，稳定可能比局部精确更重要。
这个解释得到了一项消融比较的支持。所谓消融，就是只替换一个部件，看结果如何变化。在相同杠杆下，以共形分位数估计风险尺度，比教科书式残差标准差多出约 2.1 个百分点的年增长，Sharpe ratio 也高约 0.08。Sharpe ratio 衡量每承受一单位收益波动获得多少回报。不过这些比较都来自经过大量配置搜索的开发集，只能算探索性证据。
漂亮回测里，杠杆做了很多工作
策略交易八只美国上市 ETF，包括四只股票类和四只商品类资产。回测使用 5 个基点的单位换手成本、一天执行延迟，并限制单资产仓位与总杠杆。
2016—2021 年，主配置取得 28.45% 的年化净对数增长、1.336 的 Sharpe ratio，最大回撤为 27.68%。最大回撤指资产从高点跌到随后低点的最深幅度。同期真正不加杠杆持有 SPY 的增长率为 15.94%；在相同总杠杆上限下，几个机械被动组合约为 20.7%—22.3%。
但这里有一个决定解释方向的细节：主配置在加总杠杆限制前，平均总敞口达到 4.28，并在 97.7% 的开发集交易日触及 2 倍总杠杆上限。换句话说，策略几乎一直把油门踩到限速线。区间宽度的绝对大小大多被总杠杆归一化消掉，真正留下来的主要是不同资产之间的相对仓位。
此外，论文所称的“净增长”只扣除了交易成本，没有计入超过 1 倍敞口的融资成本。作者指出，这对低利率的开发期影响较小，却会美化 2022—2024 年现金利率较高时的结果。
区间失灵，也能成为刹车信号
作者还设计了一个回撤控制：当实际收益从区间下沿跌出去的频率明显高于历史常态，就把它视作“模型可能坏了”，削减全组合杠杆。
在开发窗口中，这个装置把最大回撤从 27.7% 降到 20.3%，并把 Sharpe ratio 从 1.34 提高到 1.39，但年增长降至 25.8%。同样幅度的恒定降杠杆没有降低最大回撤，说明关键可能在减仓时点，而不只是平均仓位更小。
作者还把减仓信号循环平移 40 次，制造保持减仓幅度、但打乱时点的 placebo（安慰剂）版本。真实时点的最大回撤优于全部 40 个版本，得到基于排名的 。不过这个检验是在开发集选好信号后完成，只支持这项回撤时点的探索性判断，不能证明整套策略具有同等统计显著性。
封存数据给出了更冷静的答案
开发过程由 autonomous LLM-agent 搜索约 200 个配置。为减少“反复试到好看”为止的风险，作者提前封存 2022 年及以后的数据，并在打开前预注册最终配置、基准和解释规则。
封存期的区间覆盖率为 0.745，接近 0.750 的目标。这说明区间校准大体维持住了，却不等于策略仍能赚钱。两套配置的年增长率只有 8.5% 和 7.0%，都落后被动基准；其中 2022 年表现最弱。预注册的 hindsight benchmark——利用事后信息构造、不能当作实时可交易方案的参照——原始增长更高，但最大回撤达到 46%。
这组结果把论文的结论收窄了：共形区间确实可以成为直观的仓位刻度，慢速、逐资产的误差尺度也值得继续研究；但开发期的 28.5% 很可能混入配置搜索过拟合、市场阶段依赖和杠杆暴露。真正经得住封存数据的，是覆盖率接近目标，而不是超额收益。
局限与未知
- 论文只有一个作者信源，约 200 次配置搜索又集中在同一个六年开发窗口；开发集差异不能当作确认性结论。
- 策略长期受总杠杆上限约束，且标题增长率未计融资成本，因此不能把结果简单归功于共形区间。
- 封存期收益落后被动基准。现有证据支持“把预测误差传进仓位”这条设计路径，但尚不支持它能稳定提高样本外收益。