作 者：老余捞鱼
原创不易，转载请标明出处及原作者。
文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。
本文约 2900 字 | 阅读预计需 8 分钟
· · ·
把五篇论文叠在一起看，就能找出一条从普通人到极端结果的路径。今天分享的这套框架不是鸡汤，而是一个咬合的模型链条。
- 第一环问你增长的数学结构，是加法的还是乘法的。
- 第二环问你在什么层次上竞争，拼天赋还是在拼运气敞口。
- 第三环问你的配置逻辑，只看均值还是连方差一起算。
- 第四环问你的入场时机，AI置换劳动力的窗口里你有没有位置。
- 第五环问你能不能把它说清楚，精确描述本身就是信号。
而大部分人只在前两环里打转，后三环一直没人提醒，今天我们就讲讲这个。
第一环，你增长的数学结构是什么
Anders Frøseth 2026 年的 arXiv 论文，把本来用来描述流体粒子行为的 Fokker-Planck 方程搬到财富分布上，结果非常直白。
Fokker-Planck方程刻画的是概率分布在时间中的演化，其驱动力来自两类作用的叠加：一是确定性的漂移项（drift），二是随机的扩散项（diffusion）。放到财富分配的语境中，漂移对应你那套赚钱体系的平均增速，扩散则衡量波动的幅度。而该方程给出的稳态均衡分布是什么？正是帕累托分布：那条脍炙人口的幂律尾巴，即80/20法则，以及全球财富中前1%人群持有约45%的份额。这并非历史的偶然，也非制度设计的产物，而是乘性增长运行足够长时间后，数学上必然到达的终点。
整篇论文中，最具商业洞见的一句话是：乘性增长与加性增长之间的差异，不是量的差异，而是数学结构本身的差异。它们最终催生的结果分布，在质上截然不同。
加性增长就是你每个月存一千块，工资固定，人越多营收越多，线性。乘性增长是你把收益再投回去，每一单位新增产生不成比例的新增价值，指数。
Fokker-Planck 方程说，乘性增长把你推进了分布的尾巴。加法增长把你留在中间的大块里。你每做一个决策，从卖时间变成卖产品、从服务变成软件、从依赖你在场到不依赖你在场，在数学上就是在把自己从分布的中间往外推。
很多人做这些调整是觉得”这样更轻松”。数学告诉你不是，你的分布变了。
第二环，到了那个层次，天赋就不再是变量了
Pluchino、Biondo 和 Rapisarda 在 2018 年发了一篇模拟论文，100 次仿真运行。规则很简单，给每个虚拟人一个天赋值，给一堆随机事件，看谁最后最有钱。
结果每次都在重复同一件事，最成功的不是天赋最高的人，是天赋中等的普通人，碰上了一段持续的早期幸运事件序列。
论文的结论不是”天赋没用”。更值钱的是，到了极端财富那个层次，天赋的边际回报在猛烈下降，而市场定位、时机、运气敞口的边际回报在猛烈上升。通往尾部的路，不是”成为比对手更强的人”，是”让自己暴露在足够多有利事件面前，同时维持抓住那些事件的最低能力线”。
翻译成可操作的，大部分人优化的是自己当前位置的质量。数学说你该优化的是你未来五年能暴露给多少高价值机会。平台大于产品的数学理由就在这里，平台的运气表面积大到你建它的时候根本猜不全所有可能。
第三环，方差比均值更要命
Avanesyan 和 Lototsky 2025 年 3 月给 Kelly 准则做了个扩展。Kelly 的原始公式很简单，f* = Edge/Odds，最优配置比例就是你的期望优势除以赔率。但这个新论文加了一样 Kelly 没有的东西，配置路径的方差。
关键发现是两维的。边（edge，你平均能赢多少）和方差（结果围绕均值的波动幅度），合起来才给出完整的风险画像。论文引入了两个新的风险度量，从组合增长路径的渐近方差推出来的，让你能显式地在增长率和路径稳定度之间做取舍。
落到创始人视角，全仓最优（Full Kelly）给你最长的期望增长曲线，但波动大到你会有相当概率扛不到终点。专业圈子的惯例是半仓或四分之一仓，不是因为不信任模型，是因为终点之前出局的代价跟加快到达的收益不对等。
一篇2026年发在 Quantitative Finance 上的解析解论文把这个框架推到多结果预测市场，发现最优配置就是把你的配置比例对齐到你私有的胜率估计和市场风险中性测度之间的似然比。你的边来自你对自己领域的私有知识跟市场共识定价之间的那个缺口。缺口越大，该投的比例越大。缺口小，你就该收手。
大部分创始人从来不这样框自己的资本分配。他们框成”这事很兴奋””市场规模很大”。那是定性的边替代品。Kelly 框架说你要算。
第四环，AI 来了，你站哪
Maresca 2025 年 2 月的论文是我读过的关于 AI 和财富最直接的东西。当 AI 接管一份工作，那份工作原来付给人的工资不会凭空消失，也不会自动变成更广的经济收益。它流向那个控制 AI 系统的人。而每个人、每家公司在 AI 到来时能控制多少自动化劳动，取决于他们在到来前积累了多少资本。
这是用新古典增长框架校准过当代 AI 时间线预测的正式数学模型，不是意见。模型显示，在战略竞争均衡下，利率会从 3% 跳到 10% 到 16%，不是因为经济过热，是因为够聪明的人已经嗅到了，都在抢跑。
论文还识别了一个囚徒困境结构。所有人都为抢占 AI 劳动控制权而提高储蓄率，最后大家的相对位置没变，绝对成本全涨。商业上的平行版本是，如果市场上每家公司都在同时投 AI，你比对手投得略好一点的相对优势，比你想象的小很多。投 AI 对不投 AI 的绝对优势很大。投得好一点对投得差不多的相对优势很小。
所以正确的策略不是打赢你市场的AI军备竞赛，均衡分析说那是零和的。是占住经济结构里对AI收入流有不对称杠杆的位置，不管谁在某个具体应用层赢。
第五环，说清楚本身就是信号
Maarouf、Bakiaj 和 Feuerriegel 2026 年 1 月的论文，拿大语言模型在真实独角兽数据上训练，预测哪家创业公司能跑到上市或被收购。训练数据覆盖了五到十年的公司历史，专利、商标、诉讼、融资历史。
模型找到的预测信号不是创始人以为的那些。不是市场规模、不是团队履历、不是营收增长。是三个东西的组合，知识产权积累（专利和商标是竞争壁垒的可观测信号），融资阶梯质量（种子轮是谁投的本身就是尽调信号），以及商业模式描述的精确性。
最后这条值得单独拎出来。论文发现，公司自述的清晰度和精确度在控制住所有其他变量的前提下独立预测了成功概率。能把自己的商业模式说得让一个聪明人看完立刻理解价值创造机制和竞争优势来源的创始人，整体上比那些生意本身差不多但描述模糊的，更可能跑到结果。
一个叫 R.A.I.S.E. 的配套框架把这做成了跟真实的顶级 VC 一样的多智能体对抗分析，它让多个智能体各从不同角度审一遍，然后合成。
精确描述商业模式不是一个沟通技能。它是一个可被量化的信号，意味着你对自己在干什么真有谱。
观点总结
五篇论文咬合在一起，乘性增长决定了你进不进尾部，运气敞口决定了你在尾部排第几，Kelly 的方差决定了你能不能扛到终点，AI 到来前的积累决定了你能分到多少，而你能说清楚自己生意这回事本身就是被量化过的成功信号。
这不是致富路线图。它是一个告诉你该往哪个方向看的罗盘。
本文引用的五篇核心论文
- Anders Frøseth, “From Gravity to Confinement: Wealth Redistribution as Optimal Drift Design in the Fokker-Planck Framework”, arXiv:2607.06153, 2026. 将 Fokker-Planck 偏微分方程从流体力学迁移到财富分布，证明乘性增长产生帕累托尾部、加性增长停留在分布中段。
- Alessandro Pluchino, Alessio E. Biondo, Andrea Rapisarda, “Talent vs Luck: The Role of Randomness in Success and Failure”, Advances in Complex Systems, Vol. 21, No. 03n04, 1850014, 2018 (arXiv:1802.07068). 100 次仿真运行检验天赋、运气与极端成功的数学关系，发现最成功者是天赋中等的普通人撞上了早期幸运事件序列。
- Levon Avanesyan, Sergey Lototsky, “Optimal Betting: Beyond the Long-Term Growth”, arXiv:2503.17927, March 2025, University of Southern California. 将 Kelly 准则从均值扩展到完整风险画像（边 + 方差），引入路径方差度量；后续解析解论文发表于 Quantitative Finance (2026)，将框架推到多结果预测市场的似然比对齐。
- Caleb Maresca, “Strategic Wealth Accumulation Under Transformative AI Expectations”, arXiv:2502.11264, February 2025. 新古典增长框架校准 AI 时间线预测，证明 AI 取代岗位释放的工资流向 AI 到来前积累最多资本的人，均衡利率从 3% 跳至 10-16%。
- Maarouf, Bakiaj, Feuerriegel, “Predicting Startup Success with Large Language Models”, arXiv:2601.16568, January 2026, LMU Munich. LLM 预测创业公司成功概率，发现知识产权积累、融资阶梯质量、商业模式描述精确性构成独立预测信号；配套 R.A.I.S.E. 多智能体对抗分析框架（arXiv:2504.12090）。
#量化框架 #财富思维 #Kelly准则 #FokkerPlanck #Pluchino模拟 #AI时代 #创业 #乘性增长 #运气与天赋 #风险管理 #博弈论 #概率思维
Be First to Comment