「未来 20 日收益为正就标 1」——这个看起来无害的标注方式，是大多数金融 ML 项目失败的第一块多米诺骨牌：固定时间窗忽略路径（20 日赚 1% 收尾但中途浮亏 15% 也算「成功」），固定收益阈值让标签分布随波动率状态漂移（低波动期全是 0、高波动期全是 ±1，模型学的是波动状态不是方向）。López de Prado 的三重障碍法一次修掉这两个病灶：止盈、止损、最大持有期三道障碍先触先得，障碍宽度按 EWMA 波动率自适应缩放。合成数据实测：固定 ±5% 阈值下标签分布从低波动期的『超时占 27%』漂移到高波动期的『超时占 12%』，自适应阈值在两种状态下几乎不变；同一特征集同一逻辑回归，三重障碍标签的样本外概率校准更贴对角线，配套障碍退出把单笔最差浮亏从 -21.8% 截到 -15.4%——标签定义与退出规则一致，模型学的才是你要执行的东西。第四节直面代价：区间重叠让样本非独立，标准 K-fold 会把泄漏伪装成 IC——这正是唯一性加权与 Purged CV 的动机（中高阶）。