三重障礙法中的靈活視野
我正在閱讀“金融 ML 進展”一書，我非常喜歡 Triple Barrier Method 背後的想法，並使用基於波動性的靈活水平門檻值。困擾我的是一位作者沒有提到垂直地平線（時間）的類似機會。感覺就像，我們通過嚴格檢查特定數量柱的價格值來限制自己，而不是試圖對其更加靈活。最簡單的想法是檢查 x、y 和 z 條中的值並從中得出一些結論。不幸的是，無論是在這本書中，還是在基於它的文章中，或者只是在Google中，我都沒有在這個方向上找到任何東西（即搜尋“ml flexible horizon”，“ml not fixed horizon”沒有帶來任何結果），所以我'
我相信，三重障礙標籤的想法主要基於最佳投注規模算法和經典的金融工程隨機過程/隨機遊走。
關於最佳投注規模的文獻：資本增長理論中的一個基本算法是凱利標準，它依賴於預先定義成功的機率和交易的機率。三重障礙預先定義了止盈和止損水平，即賠率。例如，您可以選擇 2:1 的 TP SL 比率（這是賠率）。接下來，您將需要元標記模型提供的成功機率，該模型是一個二元分類器。通過這兩個指標，您將能夠開始使用受凱利啟發的算法。
關於垂直障礙。de Prado 主題建模框架的核心思想是讓您的觀察結果盡可能 IID。做到這一點的一個好方法是不要試圖預測每一天的回報方向，而是嘗試預測股票價格將如何從給定事件中演變。一個很好的例子是交易結構性中斷（這個想法在第 3 章中通過對稱 CUSUM 過濾器進行了介紹）。
因此，交易事件是根據結構性突破信號觸發的。結構性中斷表明資訊已進入系統並且價格趨向於新的價格均衡。當它朝著新的平衡移動時，它使用隨機遊走/隨機過程（例如：Ornstein-Uhlenbeck 過程）。
希望我們可以通過設置 TP 和 SL 水平來獲取利潤。
這是您關於垂直障礙的問題的關鍵：垂直障礙是根據價格演變到新的價格均衡所需的最長時間設置的。如果您將持續時間設置得太寬，那麼新資訊將進入系統，您將不再按預期擷取原始的低效率。因此建議設置相對較短的持續時間。
請記住，您可以在任何給定時間點同時啟動多個並發職位。我建議減少該數字以減少重疊樣本的數量，從而降低平均樣本唯一性（第 4 章採樣技術有助於解決這個問題）。