Mu-En Wu, Jia-Hao Syu, Chien-Ming Chen*
期權（選擇權）因為策略靈活，一直很受投資人與學者關注。但多數研究只忙著「猜方向」， 很少人處理另一半的問題：每一次進場，到底該押多少錢？ 押太少賺不到，押太多一次大賠就出局。這篇論文要同時做好兩件事—— 提升績效與控制風險。
作者的關鍵一步是：先把期權的賠率（odds）固定下來。 賠率一旦固定，這筆交易就變成一個標準的下注問題——只剩「勝率」這個未知數。 於是用機器學習去預測勝率，再把勝率與固定賠率一起餵進凱利公式（Kelly criterion）， 直接算出理論上的最佳下注比例。最後再用集成學習（ensemble learning）把預測能力再往上推一層。
凱利公式需要「勝率 + 賠率」兩個數字。期權的賠率原本浮動、難以套用； 作者先把賠率固定住，讓機器學習只需要專心處理勝率這一件事，凱利公式才真的用得上。
論文中最值得玩味的一句：即使預測結果只是勉強可接受， 系統靠著資金管理模組依然能獲利、權益曲線穩定上升，並顯著降低回檔（drawdown）風險。
在作者的實驗裡，隨機森林（random forest）與支持向量機（SVM）的預測能力最強。 而把多個模型組合起來的集成系統表現最突出，達到 獲利因子（profit factor）2.429 與 夏普比率（Sharpe ratio）1.227。
整體結論分成三層：交易策略本身能產生正報酬；資金管理模組能有效控制風險； 集成學習模組則能明顯再提升交易績效。
閱讀原始論文（Springer） →