背景知识:Meta-Labeling 方法

"不是预测涨跌,而是预测'这次预测靠不靠谱'。"

传统方法的问题

场景:你有一个趋势跟踪模型,产生买入/卖出信号

传统流程:
信号产生 → 直接执行 → 结果好坏参半

问题:
  - 某些信号胜率高(趋势明确时)
  - 某些信号胜率低(震荡市时)
  - 模型无法区分这两种情况

结果:在不该交易时交易,浪费成本,拖累收益。

Meta-Labeling 的核心思想

两阶段决策:

具体流程

步骤 1:主模型生成信号

主模型可以是任何策略:

• 技术分析规则
• 机器学习模型
• 基本面因子

主模型输出:
  +1 = 买入信号
  -1 = 卖出信号
   0 = 无信号

步骤 2:构建元标签

对于每个主模型信号,判断该信号是否正确:

元标签定义:
  如果主模型信号方向正确且盈利 → 元标签 = 1
  如果主模型信号方向错误或亏损 → 元标签 = 0

结合 Triple Barrier:
  主模型说"买入",触发上屏障(止盈)→ 元标签 = 1
  主模型说"买入",触发下屏障(止损)→ 元标签 = 0

步骤 3:训练元模型

元模型学习预测主模型信号的成功概率:

特征:
  - 主模型信号方向
  - 当前波动率
  - 趋势强度
  - 主模型历史准确率
  - 市场状态指标

目标:
  - 预测该信号是否会盈利(二分类)
  - 或预测置信度(回归)

步骤 4:决策执行

最终决策 = 主模型方向 × 元模型置信度

例如:
  主模型:买入 (+1)
  元模型:置信度 0.3(低)

  决策:
    选项 A:不执行(置信度太低)
    选项 B:小仓位买入(30% 仓位)

数值示例

设定:趋势跟踪主模型,过去 100 个信号

统计:

• 总信号:100 个
• 盈利信号:55 个(55% 胜率)
• 亏损信号:45 个

元模型分析:

高置信度信号(元模型 > 0.7):30 个
  - 盈利:25 个(83% 胜率)
  - 亏损:5 个

低置信度信号(元模型 < 0.3):25 个
  - 盈利:8 个(32% 胜率)
  - 亏损:17 个

策略:只执行高置信度信号
  - 交易次数减少 70%
  - 胜率从 55% 提升到 83%
  - 交易成本降低

元模型的特征设计

市场状态特征

主模型特征

时间特征

仓位定标(Position Sizing)

元模型的置信度可以直接用于仓位管理:

方法一:线性映射
  仓位 = 置信度 × 最大仓位

  置信度 0.8 → 80% 仓位
  置信度 0.3 → 30% 仓位

方法二:阈值过滤
  置信度 > 0.6 → 满仓
  置信度 < 0.6 → 不交易

方法三:凸函数映射
  仓位 = 置信度² × 最大仓位

  更激进地减少低置信度仓位:
  置信度 0.8 → 64% 仓位
  置信度 0.5 → 25% 仓位
  置信度 0.3 → 9% 仓位

与直接预测的对比

关键洞察:

直接预测:
  100 次交易,55% 胜率
  期望盈利 = 55 × 1% - 45 × 1% = 10%

Meta-Labeling:
  30 次高置信度交易,80% 胜率
  期望盈利 = 24 × 1% - 6 × 1% = 18%

  虽然交易次数少,但收益更高

多智能体视角

Meta-Labeling 天然契合多智能体架构:

Signal Agent(主模型)
  │
  ├─ 输出:交易方向
  │
  ↓
Confidence Agent(元模型)
  │
  ├─ 输入:Signal Agent 的信号 + 市场状态
  ├─ 输出:该信号的置信度
  │
  ↓
Risk Agent
  │
  ├─ 根据置信度调整仓位
  ├─ 低置信度 → 拒绝交易或小仓位
  └─ 高置信度 → 允许正常仓位

Meta Agent
  │
  └─ 监控 Confidence Agent 的准确率
     → 如果持续失效,切换到保守模式

常见误区

误区一:元模型会学到和主模型相同的东西

不对。两者目标不同:

• 主模型:预测价格方向
• 元模型:预测主模型何时有效

元模型可以发现"主模型在高波动时失效"这类规律。

误区二:高置信度一定正确

不保证。元模型也会犯错:

• 过拟合历史模式
• 市场 Regime 变化
• 样本量不足

仍需保留止损和风控。

误区三:Meta-Labeling 可以挽救差的主模型

有限。如果主模型胜率太低(< 50%),元模型能做的有限:

• 只能减少亏损
• 无法创造正期望

主模型本身必须有一定的预测能力。

实用建议

1. 验证主模型有基础 Alpha

先确认:
  - 主模型胜率 > 50%
  - 或盈亏比 > 1
  - 样本外有正收益

没有基础 Alpha,Meta-Labeling 无法创造

2. 元模型要简单

推荐:
  - 逻辑回归
  - 浅层决策树
  - 简单神经网络(1-2 层)

避免:
  - 深度模型(容易过拟合)
  - 过多特征(增加噪音)

3. 独立验证

验证流程:
  1. 在训练集上训练主模型
  2. 用主模型在验证集生成信号
  3. 用验证集信号的结果训练元模型
  4. 在测试集评估整体表现

关键:主模型和元模型使用不同数据

总结