交易机器学习的三重障碍与趋势标签

如何为交易模型创建目标，又如何回测它的预测？VBT 在 Python 中生成机器学习标签，包括固定期限收益、三重障碍结果、趋势和拐点，并使用与其他信号相同的回测引擎运行模型预测，同时明确保留标签中的前视性质。

Label barrier outcomes, train a classifier walk-forward, and backtest its predictions

from sklearn.ensemble import RandomForestClassifier

data = vbt.YFData.pull("BTC-USD", start="2018-01-01", end="2025-01-01")
labels = vbt.BOLB.run(  
    data.high, data.low, window=10, up_th=0.05, down_th=0.05
).labels.rename("label")
labels.value_counts(dropna=False).sort_index()

label
-1.0    1089
 0.0     151
 1.0    1317
Name: count, dtype: int64

returns = data.close.pct_change()
features = pd.DataFrame({  
    "rsi": vbt.RSI.run(data.close, window=14).rsi,
    "ret_5": data.close.pct_change(5),
    "ret_20": data.close.pct_change(20),
    "vol_20": returns.rolling(20).std(),
    "dist_sma_50": data.close / data.close.rolling(50).mean() - 1,
})

proba = pd.Series(np.nan, index=data.index)
for year in [2021, 2022, 2023, 2024]:  
    test = data.index.year == year
    train_end = data.index[test][0] - pd.Timedelta(days=10)
    train = (
        (data.index < train_end)
        & features.notna().all(axis=1)
        & labels.notna()
        & (labels != 0)
    )
    model = RandomForestClassifier(n_estimators=200, max_depth=4, random_state=42)
    model.fit(features[train], labels[train] == 1)
    proba[test] = model.predict_proba(features[test].fillna(0))[:, 1]

kwargs = dict(
    price="nextopen",  
    tp_stop=0.05,
    sl_stop=0.05,
    td_stop=10,
    time_delta_format="rows",
    fees=0.001,
)
test_data = data.loc["2021":]
model_pf = vbt.PF.from_signals(test_data, (proba > 0.55).loc["2021":], **kwargs)
always_pf = vbt.PF.from_signals(test_data, True, **kwargs)  
metrics = ["total_trades", "win_rate", "total_return", "sharpe_ratio"]
pd.DataFrame({
    "model": model_pf.stats(metrics),
    "every bar": always_pf.stats(metrics),
}).round(2)

                      model  every bar
Total Trades            145        302
Win Rate [%]          51.03      47.84
Total Return [%]       9.14     -42.96
Sharpe Ratio           0.24       0.02

模型入场胜率为 51%，而每根 K 线都入场为 48%，并在四个样本外年份将亏损转为小幅盈利。这是诚实衡量的微弱优势：标签来自未来，特征来自过去，预测只用于模型从未见过的年份。

分类器在上涨和下跌结果上训练，排除零标签。概率阈值选择入场，投资组合模拟则衡量扣费后这些入场实际赚取多少。您可以更换目标、模型或阈值，同时保留相同研究流程。

选择模型应预测什么

标签定义您希望模型回答的问题。重视变动幅度时使用未来收益，重视价格移动先后顺序时使用障碍结果，研究更广泛市场移动时使用趋势标签。这些目标可服务于您选择的 Python 框架中的回归或分类模型。

标签生成器

每个标签生成器都是向前而非向后看的指标：

指标	标签	用途
`vbt.FIXLB`	从每根 K 线到固定数量 K 线之后的收益率	比较预测期限
`vbt.MEANLB`	到未来窗口平均价格的收益率	预测未来平均价格水平
`vbt.BOLB`	未来窗口中先达到上涨还是下跌阈值	对未来突破方向分类
`vbt.PIVOTLB`	根据事后信息判断每根 K 线是否为高点或低点拐点	学习转折点目标
`vbt.TRENDLB`	拐点间趋势，可表示方向、变动中的位置或收益率	对趋势分类，或预测变动进度

与其他指标一样，它们接受参数列表，因此期限或阈值网格产生标签网格，并可叠加在价格上快速检查。vbt.PIVOTLB 和 vbt.TRENDLB 读取最高及最低价，接受两个正阈值：up_th 为确认谷底所需的上涨幅度，down_th 为从峰值下跌的幅度。相同百分比并不对称，因为恢复 50% 跌幅需要上涨 100%。

对于突破目标，BOLB 提供两种参考选择。默认 "swing" 模式从当前最低价衡量上涨，从当前最高价衡量下跌。"range" 模式将阈值放在当前最高价和最低价之外，适合研究突破当前 K 线范围的问题。阈值也可随观测变化，例如使用根据历史数据算出的波动率序列。

比较预测期限

期限是研究问题的一部分。这个虚构序列在未来一根和三根 K 线上产生不同收益目标，下面以百分比显示：

Build one-bar and three-bar return targets together

close = pd.Series([100.0, 110.0, 105.0, 120.0, 108.0],
                  index=pd.date_range("2025-01-01", periods=5))
labels = vbt.FIXLB.run(close, n=[1, 3]).labels
(labels * 100).round(2)

fixlb_n         1      3
2025-01-01  10.00  20.00
2025-01-02  -4.55  -1.82
2025-01-03  14.29    NaN
2025-01-04 -10.00    NaN
2025-01-05    NaN    NaN

所需未来价格不可用时，FIXLB 将目标留空。选择希望建模的期限，并在目标与特征均可用的行上训练。

标签使用未来信息

标签使用未来观测。请将其用于训练目标或事后分析，而非当作交易决策时可获知的信息。排除未来观测与测试期重叠的训练标签。上例通过间隔覆盖固定期限，而拐点和趋势标签需要考虑其结果变为已知的时间。请参阅前向滚动与交叉验证。

会员专属的交叉验证（英文）教程将切分器用于模型和参数搜索，避免未来信息泄漏到训练中。

机器学习标签

选择模型应预测什么

标签生成器

比较预测期限

前向统计

元标签

回测预测

本页目录