第一部分（下）：标签与元标签

标签不该是”明天涨不涨”#

天真做法：未来 N 天收益为正标 1、为负标 0。两个致命问题：

• 真实交易不是这样结束的——你会止盈、会止损、会到期离场；固定期限标签学的是一个没人真正交易的目标；
• 忽略路径：20 天后 +2% 的两条路径，一条平稳爬升、一条先跌 15% 再拉回——固定期限标签认为它们相同，你的账户和心脏知道它们不同。

三重障碍法（Triple-Barrier）#

为每个样本设三道墙，哪道先被触到就按哪道打标签：

1. 上障碍（止盈线，如 +2 倍波动率）→ 标 +1；
2. 下障碍（止损线，如 −1 倍波动率）→ 标 −1；
3. 垂直障碍（最长持有期）→ 按到期收益的符号标注。

障碍宽度按当时的波动率动态设定（高波动期墙自动放宽）。标签因此内嵌了路径信息和风控规则——模型学到的是”这笔交易会怎么结束”，而不是”N 天后的世界长什么样”。

元标签（Meta-labeling）：ML 的正确岗位#

全书对实践者最实用的设计。两级决策拆分：

• 一级模型（方向）：用有经济逻辑的信号决定买卖方向——可以是你的反转因子、动量规则，甚至人的判断；
• 二级模型（ML）：只回答”一级信号这一次该不该信、下多大注”——输入市场状态、波动率、信号强度等特征，输出信号成功的概率。

为什么这样分工更稳健：

1. 方向判断信噪比最低、最容易过拟合——留给有先验逻辑的简单模型；
2. “过滤 + 仓位”是分类器擅长的问题（有明确标签：一级信号历史上的成败）；
3. 可解释性分层：方向永远讲得清逻辑，ML 的黑箱性被限制在二级——黑箱越靠近钱，越要小。

对应到平台的直接翻译：reversal_5 给方向，你可以训练一个简单分类器判断”今天的反转信号处于什么胜率状态”（如高波动日胜率更高？），据此调节仓位——这就是一个元标签系统的雏形。

本页带走的三句话#

1. “预测什么”比”用什么模型”更值得设计——固定期限标签学的是没人交易的目标；
2. 三重障碍法把止盈止损和路径写进标签——模型学”交易怎么结束”；
3. 元标签：方向交给逻辑，ML 管信与不信、下多大注——黑箱越靠近钱越要小。