背景知識：Meta-Labelingメソッド

「上がるか下がるかを予測するのではなく、『この予測が信頼できるか』を予測する。」

従来の方法の問題

シナリオ：トレンドフォローモデルが買い/売りシグナルを生成する

従来のフロー：
シグナル生成 -> 直接実行 -> 結果はまちまち

問題：
  - トレンドが明確な時は高い勝率（some signals）
  - レンジ相場では低い勝率（some signals）
  - モデルはこれら2つの状況を区別できない

結果：取引すべきでない時に取引し、コストを浪費し、リターンを引き下げる。

Meta-Labelingのコアアイデア

2段階決定：

詳細プロセス

ステップ1：一次モデルがシグナルを生成

一次モデルは任意の戦略が可能：

• テクニカル分析ルール
• 機械学習モデル
• ファンダメンタルファクター

一次モデル出力：
  +1 = 買いシグナル
  -1 = 売りシグナル
   0 = シグナルなし

ステップ2：Metaラベルを構築

各一次モデルシグナルについて、そのシグナルが正しかったかを判定：

Metaラベル定義：
  一次シグナル方向が正しく利益 -> Metaラベル = 1
  一次シグナル方向が間違いまたは損失 -> Metaラベル = 0

Triple Barrierと組み合わせ：
  一次モデルが「買い」、上部バリアをトリガー（利益確定） -> Metaラベル = 1
  一次モデルが「買い」、下部バリアをトリガー（損切り） -> Metaラベル = 0

ステップ3：Metaモデルを訓練

Metaモデルは一次モデルシグナルの成功確率を予測することを学習：

特徴量：
  - 一次モデルシグナル方向
  - 現在のボラティリティ
  - トレンド強度
  - 一次モデル履歴精度
  - 市場状態指標

ターゲット：
  - シグナルが利益になるかを予測（二値分類）
  - または信頼度レベルを予測（回帰）

ステップ4：決定実行

最終決定 = 一次モデル方向 x Metaモデル信頼度

例：
  一次モデル：買い（+1）
  Metaモデル：信頼度0.3（低い）

  決定：
    オプションA：実行しない（信頼度が低すぎる）
    オプションB：小ポジション買い（通常サイズの30%）

数値例

設定：トレンドフォロー一次モデル、過去100シグナル

統計：

• 総シグナル：100
• 利益シグナル：55（55%勝率）
• 損失シグナル：45

Metaモデル分析：

高信頼度シグナル（Metaモデル > 0.7）：30
  - 利益：25（83%勝率）
  - 損失：5

低信頼度シグナル（Metaモデル < 0.3）：25
  - 利益：8（32%勝率）
  - 損失：17

戦略：高信頼度シグナルのみ実行
  - 取引頻度70%削減
  - 勝率55%から83%に改善
  - 取引コスト削減

Metaモデルの特徴量設計

市場状態特徴量

一次モデル特徴量

時間特徴量

ポジションサイジング

Metaモデル信頼度はポジション管理に直接使用可能：

方法1：線形マッピング
  ポジション = 信頼度 x 最大ポジション

  信頼度0.8 -> 80%ポジション
  信頼度0.3 -> 30%ポジション

方法2：閾値フィルタリング
  信頼度 > 0.6 -> フルポジション
  信頼度 < 0.6 -> 取引なし

方法3：凸関数マッピング
  ポジション = 信頼度^2 x 最大ポジション

  低信頼度ポジションをより積極的に削減：
  信頼度0.8 -> 64%ポジション
  信頼度0.5 -> 25%ポジション
  信頼度0.3 -> 9%ポジション

直接予測との比較

重要な洞察：

直接予測：
  100取引、55%勝率
  期待利益 = 55 x 1% - 45 x 1% = 10%

Meta-Labeling：
  30高信頼度取引、80%勝率
  期待利益 = 24 x 1% - 6 x 1% = 18%

  取引は少ないが、リターンは高い

マルチエージェント視点

Meta-Labelingは自然にマルチエージェントアーキテクチャに適合：

Signal Agent（一次モデル）
  |
  +- 出力：取引方向
  |
  v
Confidence Agent（Metaモデル）
  |
  +- 入力：Signal Agentのシグナル + 市場状態
  +- 出力：そのシグナルの信頼度
  |
  v
Risk Agent
  |
  +- 信頼度に基づきポジションを調整
  +- 低信頼度 -> 取引拒否または小ポジション
  +- 高信頼度 -> 通常ポジションを許可

Meta Agent
  |
  +- Confidence Agentの精度を監視
     -> 持続的に失敗なら、保守的モードに切り替え

よくある誤解

誤解1：Metaモデルは一次モデルと同じものを学習する

間違い。両者は異なる目的を持つ：

• 一次モデル：価格方向を予測
• Metaモデル：一次モデルがいつ有効かを予測

Metaモデルは「一次モデルは高ボラティリティで失敗する」などのパターンを発見できる。

誤解2：高信頼度は常に正しい

保証されない。Metaモデルも間違える：

• 履歴パターンへの過学習
• 市場レジーム変化
• サンプルサイズ不足

依然として損切りとリスク管理が必要。

誤解3：Meta-Labelingは悪い一次モデルを救える

限定的。一次モデル勝率が低すぎる（< 50%）場合、Metaモデルにできることは限られる：

• 損失を減らせるだけ
• 正の期待値を作れない

一次モデル自体にある程度の予測力が必要。

実践的推奨事項

1. 一次モデルがベースAlphaを持つか検証

まず確認：
  - 一次モデル勝率 > 50%
  - または勝ち/負け比率 > 1
  - アウトオブサンプルでプラスリターン

ベースAlphaなしでは、Meta-Labelingは作れない

2. Metaモデルはシンプルに

推奨：
  - ロジスティック回帰
  - 浅い決定木
  - シンプルなニューラルネット（1-2層）

避ける：
  - ディープモデル（過学習しやすい）
  - 過剰な特徴量（ノイズを追加）

3. 独立した検証

検証プロセス：
  1. 訓練セットで一次モデルを訓練
  2. 検証セットで一次モデルを使ってシグナルを生成
  3. 検証セットのシグナル結果を使ってMetaモデルを訓練
  4. テストセットで全体パフォーマンスを評価

重要：一次とMetaモデルは異なるデータを使用

まとめ