Kelly-Kriterium (Kelly-Formel):
Definition, Formel und Fractional Kelly

Die Mechanik des Kelly-Ansatzes basiert auf der Differenzierung zwischen arithmetischem und geometrischem Mittel. Wenn ein Handelssystem in 50 Prozent der Fälle 100 Prozent gewinnt und in 50 Prozent der Fälle 50 Prozent verliert, liegt der arithmetische Erwartungswert bei positiven 25 Prozent. Setzt der Händler jedoch jeweils sein gesamtes Kapital ein, schrumpft sein Vermögen nach zwei Runden auf das 1,0-Fache multipliziert mit 2,0 und anschließend mit 0,5, was einem Nettogewinn von exakt null entspricht. Nach zehn Runden verharrt das reale Vermögen trotz glänzender arithmetischer Erwartung auf dem Ausgangsniveau.
Das Kelly-Kriterium identifiziert den Scheitelpunkt dieser Kurve. Es maximiert die kontinuierliche Wachstumsrate $g(f) = E[\ln(1 + f \cdot X)]$, wobei $f$ den Bruchteil des Kapitals darstellt.

Für Transaktionen mit binärem Ausgang (Gewinn oder Verlust) berechnet sich der optimale Kapitalanteil $f^*$ aus der Gewinnwahrscheinlichkeit $p$, der Verlustwahrscheinlichkeit $q = 1 – p$ und dem Netto-Auszahlungsverhältnis $b$ (Gewinnbetrag pro riskierter Währungseinheit):

Ist der statistische Vorteil (Edge) gleich null ($p \cdot b = q$), resultiert $f^* = 0$. Bei negativem Erwartungswert wird $f^*$ negativ, was im quantitativen Kontext die Notwendigkeit einer Short-Position oder des vollständigen Marktausstiegs signalisiert.

Im liquiden Aktien- und Futures-Handel sind Renditen selten binär, sondern näherungsweise kontinuierlich verteilt. Unter der Annahme einer geometrischen Brownschen Bewegung mit Drift $\mu$, risikofreiem Zinssatz $r$ und Volatilität $\sigma$ formulierte Thorp (1969) die stetige Version des Modells:

Da empirische Renditen keine stationäre Normalverteilung aufweisen und historische Parameter nur mit Schätzfehlern bestimmt werden können, greifen institutionelle Fondsmanager ausnahmslos auf gedämpfte Skalierungen (Fractional Kelly) zurück:

Ein Faktor von $c = 0,5$ (Half-Kelly) reduziert die erwartete Wachstumsrate um lediglich 25 Prozent, senkt jedoch die Portfolio-Volatilität und den erwarteten maximalen Drawdown drastisch um 50 Prozent.

Das fundamentale mathematische Kennzeichen der Kelly-Funktion ist ihre ausgeprägte Asymmetrie. Während eine Unterschätzung von $f^*$ (Unterallokation) lediglich zu suboptimalem, aber stets positivem Kapitalwachstum führt, mündet jede Überschreitung von $f^*$ (Überallokation) in einen massiven Einbruch der Wachstumsrate. Erreicht der Hebel den doppelten Wert des Optimums ($f \ge 2f^*$), kippt die geometrische Wachstumsrate ins Negative: Das System steuert mit einer mathematischen Wahrscheinlichkeit von 100 Prozent auf den Totalverlust zu, obwohl jeder einzelne Trade für sich genommen einen positiven Erwartungswert aufweist.

• Die Kelly-Kalkulation: Nach der diskreten Formel ergibt sich $f^* = 0,5 – 0,5 / 2 = 0,25$. Ein Händler sollte bei jedem Wurf exakt 25 Prozent seines jeweiligen Gesamtkapitals riskieren.
• Die Wachstumsrealität: Bei unendlicher Wiederholung schlägt diese Allokation jedes andere feste Wettsystem um Längen.
• Der psychologische Schock: Wer Full-Kelly einsetzt, muss eine mathematische Gewissheit ertragen: Die Wahrscheinlichkeit, im Verlauf der Serie einen kumulierten Drawdown von über 50 Prozent des Spitzenvermögens zu erleiden, liegt bei exakt einem Drittel. Bei einer Serie von nur vier aufeinanderfolgenden Fehlwürfen schrumpft das Kapital um rund 68 Prozent ($0,75^4 \approx 0,316$).

Kein institutioneller Fondsinvestor akzeptiert derartige Volatilitätsspitzen. Fractional Kelly löst dieses Dilemma: Mit Half-Kelly ($c = 0,5$, also 12,5 Prozent Einsatz) sinkt die Ruin- und Schock-Wahrscheinlichkeit exponentiell, während die Kapitalwachstumsrate weiterhin 75 Prozent des theoretischen Maximums erzielt.

Der verheerendste Fehler beim Einsatz der Kelly-Formel in der Praxis ist die Verwechslung von Stichproben-Historie mit zukünftigen Wahrscheinlichkeiten. In realen Kapitalmärkten sind $p$ und $b$ keine bekannten physikalischen Konstanten, sondern Schätzwerte, die unter extremer Nicht-Stationarität leiden.

Wird die Trefferquote eines Modells im Backtest durch Overfitting um lediglich 3 Prozentpunkte überschätzt (beispielsweise 56 Prozent statt realer 53 Prozent), verdoppelt die Formel die berechnete Allokation. Der Händler agiert unbemerkt jenseits des Scheitelpunkts in der destruktiven Overbetting-Zone. Professionelle Quantitative Desks nutzen Kelly-Formeln daher ausschließlich in Verbindung mit Konfidenzintervallen, stochastischer Schrumpfung (Shrinkage-Estimators) und strikten Fractional-Dämpfungen ($c \le 0,30$).

Die folgende Referenz-Implementierung in NumPy und SciPy berechnet diskrete und stetige Kelly-Quoten, wendet ein rollierendes Volatilitäts-Shrinkage an und begrenzt die maximale Allokation über einen parametrischen Drawdown-Dämpfer:

import numpy as np
import scipy.stats as stats
from typing import Dict, Union

class KellyBetSizingEngine:
    """
    Industrielle Bet-Sizing Pipeline nach John L. Kelly und Ed Thorp.
    Berechnet diskrete sowie kontinuierliche Allokationen mit Fractional-Daempfung.
    """
    def __init__(self, fraction: float = 0.5, max_leverage: float = 2.0):
        self.fraction = float(np.clip(fraction, 0.05, 1.0))
        self.max_leverage = float(max_leverage)

    def discrete_kelly(self, win_rate: float, payoff_ratio: float) -> Dict[str, float]:
        """
        Berechnet diskrete Kelly-Quote fuer Trades mit asymmetrischem Payoff.
        """
        p = float(win_rate)
        b = float(payoff_ratio)
        q = 1.0 - p

        if b <= 0 or p <= 0:
            return {"f_star": 0.0, "f_allocated": 0.0, "expected_growth": 0.0}

        # Kelly-Formel: f* = (p*b - q) / b
        f_star = (p * b - q) / b

        if f_star <= 0:
            return {"f_star": 0.0, "f_allocated": 0.0, "expected_growth": 0.0}

        # Fractional Kelly Skalierung
        f_allocated = float(np.clip(f_star * self.fraction, 0.0, self.max_leverage))
        
        # Erwartete logarithmische Wachstumsrate: g(f) = p*ln(1 + f*b) + q*ln(1 - f)
        growth = p * np.log(1.0 + f_allocated * b) + q * np.log(1.0 - f_allocated)

        return {
            "f_star": round(f_star, 4),
            "f_allocated": round(f_allocated, 4),
            "expected_growth_per_trade": round(float(growth), 6)
        }

    def continuous_kelly(self, returns: np.ndarray, rf_rate: float = 0.0) -> Dict[str, float]:
        """
        Berechnet kontinuierliche Merton-Thorp Allokation fuer Zeitreihenrenditen.
        """
        if len(returns) < 30:
            raise ValueError("Mindestens 30 Beobachtungen fuer stochastische Konfidenz erforderlich.")

        mu = float(np.mean(returns))
        sigma_sq = float(np.var(returns, ddof=1))

        if sigma_sq <= 1e-8:
            return {"f_star": 0.0, "f_allocated": 0.0, "expected_growth": 0.0}

        # Stetige Formel: f* = (mu - rf) / sigma^2
        excess_return = mu - rf_rate
        f_star = excess_return / sigma_sq

        if f_star <= 0:
            return {"f_star": 0.0, "f_allocated": 0.0, "expected_growth": 0.0}

        f_allocated = float(np.clip(f_star * self.fraction, 0.0, self.max_leverage))
        continuous_growth = rf_rate + f_allocated * excess_return - 0.5 * (f_allocated ** 2) * sigma_sq

        return {
            "f_star": round(f_star, 4),
            "f_allocated": round(f_allocated, 4),
            "expected_growth_continuous": round(float(continuous_growth), 6)
        }

Dynamisches Bet-Sizing bei Statistical-Arbitrage- und Equity-Market-Neutral-Fonds: Quantitative Handelssysteme nutzen das Kelly-Kriterium nicht isoliert pro Trade, sondern zur simultanen Allokation über Hunderte von Kointegrations-Paaren. Die kontinuierliche Formel wird dabei als Optimierungsproblem unter Berücksichtigung der Kovarianzmatrix formuliert ($F^* = \Sigma^{-1} (\mu – r)$). Signale mit höherer statistischer Konfidenz (z. B. extremer Z-Score bei Mean-Reversion) erhalten automatisch eine mathematisch exakt gehebelte Kapitalzuteilung, während schwächere Signale marginal kapitalisiert werden.
Trendfolge- und Managed-Futures-Programme (CTAs): Im Trendfolgehandel liegt die historische Trefferquote häufig nur zwischen 35 und 42 Prozent, kompensiert durch ein hohes Payoff-Verhältnis ($b \ge 2,5$). Da Drawdown-Phasen hier über viele Monate anhalten können, setzen CTA-Fonds strikt auf Quarter-Kelly ($c = 0,20$ bis $0,25$). Diese Dämpfung garantiert, dass die Strategie selbst bei zehn Verlusttrades in Serie handlungsfähig bleibt und die Hebelwirkung bei einsetzenden Megatrends voll entfaltet wird.
Kombination mit Meta-Labeling und Triple-Barrier-Labels: In modernen Machine-Learning-Pipelines nach Marcos López de Prado dient das Kelly-Kriterium als Execution-Layer. Nachdem ein Primärmodell die Handelsrichtung vorgegeben und ein sekundäres Meta-Labeling-Modell die Erfolgswahrscheinlichkeit $p$ für das Erreichen einer oberen Kursbarriere prognostiziert hat, bestimmt die Kelly-Gleichung dynamisch die Ordergröße. Bei geringer Wahrscheinlichkeit sinkt $f^*$ auf null, wodurch Fehlsignale des Basismodells ohne Kapitalverlust herausgefiltert werden.

Nicht-Stationarität und Parameterunsicherheit: Die Standard-Kelly-Formel unterstellt, dass $p$ und $b$ feste, unveränderliche Naturkonstanten sind. In realen Märkten unterliegen Volatilität und Korrelationen ständigen Regimewechseln. Eine historische Edge von 54 Prozent kann sich in Stressphasen innerhalb von Tagen in eine Verlustserie verwandeln. Wird $f^*$ auf Basis vergangener Bullenmärkte berechnet, führt die ungedämpfte Allokation in Bärenmärkten unweigerlich zu massiven Liquidationskaskaden.
Extreme Pfadabhängigkeit und psychologische Barrieren: Full-Kelly maximiert das Endvermögen nach unendlicher Zeit, ignoriert aber den Weg dorthin vollständig. Die mathematische Gewissheit, dass ein Full-Kelly-Portfolio mit einer Wahrscheinlichkeit von 50 Prozent zwischenzeitlich einen Drawdown von über 50 Prozent erleidet, führt im institutionellen Mandatsgeschäft zum sofortigen Kapitalabzug durch Investoren. Ohne Fractional-Dämpfung ist das Kriterium in der Praxis nicht überlebensfähig.
Liquiditätsengpässe und Markteinflusskosten (Market Impact): Die Theorie geht von friktionsfreier Ausführung zum aktuellen Marktpreis aus. Bei großen Portfolios erzeugt ein hohes $f^*$ signifikante Marktauswirkungen: Der Kauf drückt den Einstiegskurs nach oben, während Notverkäufe im Verlustfall den Ausstiegspreis nach unten manipulieren. Diese Transaktionskosten reduzieren das reale $b$ drastisch und verschieben den wahren Scheitelpunkt der Wachstumskurve nach links.