金融数据结构与标签

机器学习要学习“特征如何对应结果”，但金融里的结果不是天然给定的。持有多久、涨跌多少算成功、途中是否触发止盈止损，都会改变标签。标签和交易规则不一致，模型学到的就不是可执行问题。

三种常见交易时钟

原始成交数据按逐笔到达，时间间隔不均匀。把它整理成模型可用的表格时，需要选择切分规则：

成交量 K 线的结束位置是累计 v_i 达到 θ_V 的最早一笔；成交额 K 线的结束位置是累计 p_i × v_i 达到 θ_D 的最早一笔。阈值可以根据样本期日均成交额和目标根数设定，但要避免用全样本结果反复挑参数。

成交额 K 线相对成交量 K 线不容易受价格水平变化影响：股价上涨后，同样成交额对应的股数会减少。实际使用仍要处理开收盘竞价、午休、涨跌停和逐笔数据质量。

事件采样和 CUSUM

时间 K 线不是唯一选择。CUSUM 过滤器只在累计收益偏离预期达到门槛时记录事件：

S_t_plus = max(0, S_(t−1)_plus + y_t − E_(t−1)[y_t])

S_t_minus = min(0, S_(t−1)_minus + y_t − E_(t−1)[y_t])

当 S_t_plus 超过 h，或 S_t_minus 低于 −h，就记录事件并清零。h 越小，事件越多，噪声和标签重叠也可能更多。

固定期限标签

从起点 t0 持有 h 期，收益为：

r_t0,h = P_(t0+h) ÷ P_t0 − 1

设置阈值 τ：收益高于 τ 记为 +1，低于 −τ 记为 −1，介于两者之间记为 0。它简单易懂，但固定持有期和固定阈值忽略了波动状态，也看不到中途路径。

动态阈值

可以用 EWMA 估计波动：

σ_t² = λσ_(t−1)² + (1 − λ)r_t²

再把阈值设为 k × σ_t0 × √h。高波动时期阈值更宽，低波动时期阈值更窄。

三重障碍法

给每个起点设置三道障碍：

• 上障碍：P_t0 × [1 + k_pt × σ_t0 × √h]。
• 下障碍：P_t0 × [1 − k_sl × σ_t0 × √h]。
• 垂直障碍：t0 + h。

标签由首次触碰的障碍决定：先碰上记 +1，先碰下记 −1，到期时按最终收益记正负或 0。三重障碍把止盈、止损和最大持有期写进标签，也会产生结束时间 t1，供样本独立性和时间切分使用。

示意：起点价格 100，日波动 1%，h = 4，止盈止损各 1 个波动单位，则上障碍 102、下障碍 98。若第二天价格为 97.8，标签为 −1；即使第四天价格回到 103，仍然不能改写已经触发的止损结果。

元标签

初级模型负责方向 s_t0，取值为 −1 或 +1；次级模型判断是否跟随这个方向。元标签为：

z_t0 = 1，当 s_t0 × r_t0,t1 > 0；否则为 0。

次级模型可以输出“放行概率”，用于决定是否交易或调整仓位。精确率 = TP ÷ (TP + FP)，召回率 = TP ÷ (TP + FN)，F1 = 2 × 精确率 × 召回率 ÷ (精确率 + 召回率)。元标签不是免费提升，若次级特征和初级模型信息重复，小样本下可能几乎没有改善。

并发数和平均独特性

若第 i 个标签在 t 时刻仍存续，用指示变量 1_t,i 表示，则并发数为：

c_t = Σ_i 1_t,i

第 i 个标签在 t 时刻的独特性为：

u_t,i = 1_t,i ÷ c_t

平均独特性为存续期间独特性的平均值。平均独特性越低，说明不同标签共享同一段行情越多，有效样本量越小。

收益归因权重可写为：

w_tilde_i = |Σ[r_t ÷ c_t]|

把它归一化，使所有样本权重均值为 1。除以并发数是为了避免同一日收益被重叠标签重复计入。

• López de Prado《Advances in Financial Machine Learning》
• Clark《A subordinated stochastic process model with finite variance for speculative prices》
• Easley、López de Prado & O'Hara《The Volume Clock》