标签工程：Triple Barrier 与元标签(Meta-Labeling)在机器学习量化中的应用 • halo 的技术博客

监督学习做方向预测，第一步不是调模型，而是打标签。标签错了，模型再花哨也是在对噪声过拟合。

最朴素的标签是「明天涨了标 +1、跌了标 −1」。它的问题很致命：它只看期末一个点的符号，把中途涨 5% 又跌回来的路径，和一路阴跌的路径当成同一类；它还把「涨 0.1%」和「涨 10%」都叫 +1，信息损失巨大。更隐蔽的是，这种标签天然和近期收益高度相关，模型很容易学到「昨天涨今天就涨」这种伪规律。

本文用两段真实计算（8 年日度合成序列、MA 金叉主信号）讲清两件事：Triple Barrier 怎么把路径信息编码进标签，以及 Meta-Labeling 怎么让机器学习「这次该不该真的下注」。所有数字和配图都由文末代码真实生成。

一、Triple Barrier：用三条边界定义一次交易的结果#

对每一个入场点 $t$ ，我们同时画三条边界：

上边界（止盈）：价格触及 $P_t(1+u)$ ；
下边界（止损）：价格触及 $P_t(1-d)$ ；
时间边界：固定持有 $h$ 个交易日。

从 $t+1$ 开始往前看，第一个被触发的边界决定标签：

先触上边界 → 标签 $+1$ （做多止盈）；
先触下边界 → 标签 $-1$ （做多止损）；
时间到了还没触 → 标签 $0$ （到期平仓）。

关键点在于：标签不再只看「期末价格」，而是看「路径上哪个边界先到」。一段「先冲 +5% 再回落」的行情，会被标成 +1 而不是 0 或 −1——这正是朴素标签丢失的信息。

一条价格路径与三条 barrier：第一个触发的边界决定标签

下面这段是文章所有实验的核心：给定价格序列和三条边界，逐起点扫描 horizon 内第一个触发的边界。

import numpy as np

def triple_barrier(P, h=20, u=0.05, d=0.05):
    n = len(P)
    labels = np.zeros(n, dtype=int)        # +1 / -1 / 0
    first_hit = np.full(n, np.nan)         # 首个触发距起点的交易日数
    for t in range(n - h):
        pt = P[t]
        seg = P[t+1 : t+1+h] / pt - 1.0    # 相对起点 t 的累计收益
        up = np.where(seg >= u)[0]
        dn = np.where(seg <= -d)[0]
        if len(up) and (len(dn) == 0 or up[0] < dn[0]):
            labels[t] = 1;  first_hit[t] = up[0] + 1
        elif len(dn):
            labels[t] = -1;  first_hit[t] = dn[0] + 1
        # 否则时间边界触发 -> 0
    return labels, first_hit

python

二、标签分布：Triple Barrier 编码了「方向」#

我们用一段约 8 年（2017 个交易日）、年化漂移 8%、波动 18% 的合成 GBM，参数取 $h=20$ 日、 $u=d=5\%$ ，把 Triple Barrier 标签和朴素「20 日后符号」标签放在一起比：

Triple Barrier： $+1=498$ 、 $0(\text{到期})=879$ 、 $-1=620$ ；
朴素标签：涨 $=868$ 、平 $=0$ 、跌 $=1129$ 。

Triple Barrier 标签分布 vs 朴素标签分布

差别很明显：朴素标签把一切塞进「涨/跌」二元，而 Triple Barrier 多出一个 $0$ 类——它表示「这 20 天里价格既没冲到 +5% 也没跌破 −5%，在中间晃荡」。这一类在风险管理里极其重要：它对应的是「信号失效、该少动」的区间，朴素标签完全看不见它。

三、风险封顶：单笔收益被边界锁死#

把标签直接变成交易规则：标签 $+1$ 就赚 $+u$ ，标签 $-1$ 就亏 $-d$ ，标签 $0$ 拿到期末收益。对比「无脑持有 20 日」：

指标	Triple Barrier 策略	朴素持有 20 日
单笔均值	−0.417%	−0.605%
单笔 Std	4.07%	5.10%
胜率	44.8%	43.5%
最差单笔	−5.0%（被下边界封死）	−14.0%

每笔交易收益分布：Triple Barrier 把单笔亏损/盈利锁在边界内

Triple Barrier 的均值略高、波动更低，最关键的差异在右尾被砍掉：朴素持有会出现 −14% 的灾难单笔，而 Triple Barrier 最惨也就 −5%（下边界）。换句话说，标签本身就是一道风控——它把每笔交易的最大亏损/盈利预先钉死，逼着策略讨论「该不该承担这笔风险」，而不是赌一个遥远的期末价格。

四、元标签 Meta-Labeling：让 ML 决定「下不下注」#

到这里有个分工问题。主模型（比如均线金叉、动量）擅长回答方向，但它不擅长回答时机和规模。López de Prado 的元标签框架非常巧妙：

主模型给一个副作用信号（如 MA20 > MA50 → 看多）；
用主信号方向的 Triple Barrier 是否先触上边界 当二元标签 $y\in\{0,1\}$ （盈利=1，否则=0）；
训练一个元模型，用波动率、RSI、成交量异常、动量、价格偏离度等辅助特征预测 $y$ ；
实战中：只在主信号看多、且元模型预测盈利概率高时，才真的下注。

方向交给可解释的主模型，时机/规模交给 ML——既保留了主模型的经济含义，又用数据过滤掉「看多但不该动」的噪声交易。

我们在一个真实的弱主信号上验证。主信号是 MA20/MA50 金叉（长期看它在本样本里其实是亏损的），元模型用 5 个特征训练逻辑回归，按时间切分训练/测试。测试段 233 笔主信号交易里，盈利占比仅 22.3%，元模型测试 AUC=0.620——排名有真实技能，但校准偏弱（平均预测概率 0.28，全部低于 0.5）。因此我们用标准做法：按预测概率取前 50% 下注，而不是硬卡 0.5 阈值。

主信号全仓 vs 主信号 + 元标签过滤的权益曲线

结果（测试段，逐笔复利）：

策略	下注笔数	终值	最大回撤	单笔均值	Sharpe
主信号全仓	233	0.142	−91.9%	−0.750%	−2.91
元标签过滤	117	0.917	−67.1%	+0.014%	+0.05

元标签没把亏损变盈利，但它把一个灾难性的策略（−86% 终值、−92% 回撤）改造成了接近盈亏平衡（−8% 终值）、回撤收缩 25 个百分点、交易次数减半的版本。元标签的价值从来不是「点石成金」，而是「把仓位集中在更可能盈利的那一半信号上」——在弱信号上，这一点就值回票价。

五、完整实现（串起来）#

# ---- 特征 ----
def sma(x, w):
    c = np.cumsum(np.insert(x, 0, 0.0)); return (c[w:] - c[:-w]) / w

ma20, ma50 = sma(P, 20), sma(P, 50)
signal = (ma20 > ma50).astype(int)
sig_days = np.where((signal == 1) & (np.arange(N) < N - H))[0]

# 元标签：主信号方向 + Triple Barrier 是否先触上边界
y = np.array([1 if labels[t] == 1 else 0 for t in sig_days])

# 辅助特征（务必只用 t 及之前的信息，禁止前视）
vol20 = rolling_vol(P, 20); rsi14 = rsi(P); vol_z = zscore(vol)
mom   = P / np.roll(P, 20) - 1; dist = (P - ma20) / ma20
X = np.vstack([vol20, rsi14, vol_z, mom, dist]).T

# 时序切分：前 70% 训练，后 30% 测试（防前视）
cut = int(len(sig_days) * 0.70)
w = train_logistic(X[:cut], y[:cut])          # 手写梯度下降即可
p_te = predict(w, X[cut:])
take = p_te >= np.median(p_te)                 # 前 50% 下注

python

train_logistic / predict 用 numpy 梯度下降实现即可（标准化后用学习率 0.05、迭代 3000 次），不依赖任何外部库——这正是本专栏「纯 numpy 可复现」的一贯做法。

六、真实陷阱（踩坑清单）#

前视偏差：Triple Barrier 的「第一个触发点」必须只用到 $t$ 之后的价格，但特征里绝不能混进未来的量（如用期末波动率当特征）。特征与标签同源，等于把答案塞进题目。
标签不平衡：对称边界下，时间边界触发往往最多（本文 $0$ 类占 44%），直接训练元模型会退化成「永远预测 0」。务必用时序切分 + 校准/排序阈值，而非朴素卡 0.5。
参数敏感： $u/d/h$ 决定一切。边界太窄→几乎全触发，太宽→几乎全到期；horizon 太长→标签被噪声淹没。它们本质是止损/止盈/持有期的交易假设，要和经济意义一起调。
成本吞噬：本文标签是基于毛收益的。实盘里小盈（如 +0.3%）被手续费和冲击成本一刮就变亏，元标签应以净收益而非毛收益为标签。
过拟合主信号噪声：元模型若用 Purged K-fold 以外的普通交叉验证，会因为有重叠的滚动窗口而产生信息泄漏（这是另一个大主题）。本例用严格时序切分规避，但多标的、多参数扫描时务必上 purged CV。

七、结论#

标签工程是机器学习量化的「第一公里」。Triple Barrier 把「路径」还给了标签，让模型学到的是「这笔交易怎么结束」而非「期末一个点的符号」；Meta-Labeling 则把 ML 放在它最擅长的地方——给一个已有方向信号做「该不该下注」的二级判断。二者合起来，你的因子/信号负责「看哪里」，ML 负责「什么时候扣扳机」，各司其职，也比端到端黑箱更可解释、更抗过拟合。

所有图表与统计数字（标签分布、单笔收益、元标签 AUC 与权益曲线）均由 generate_triple_barrier_images.py 真实计算生成。