標記和排除特定市場條件

我正在閱讀“金融機器學習的進步”一書，並遇到了一些未涵蓋的內容（如果我錯了，請糾正我）。假設我根據三重障礙法將數據標記為 0、1、2，但我知道我的模型僅適用於低波動性市場。因此，一種方法是使用波動性作為一個特徵，讓 ML 通過弄清楚所有事情來發揮它的魔力，但我相信它會產生更多的噪音，而不是我從模型中明確排除特定的市場條件（一種制度轉換）。我應該如何採用我的標籤方法來實現這個目標？

使用三重障礙標籤，您將使用標籤

$$ -1, 0, 1 $$指示首先到達哪個障礙。您應該只有很少的 0 標籤，因此您可以從樣本中刪除它們。如果您有許多 0 標籤，那麼您將止盈和止損水平設置得太高。 要確定 TP 和 SL 水平，您可以使用合成數據來確定最佳交易規則。以下是該技術所依據的論文：Determining Optimal Trading Rules without Backtesting。

如果您的模型僅適用於低波動性市場，那麼您可以利用元標記技術並擬合輔助模型來幫助您過濾掉誤報並確定最佳下注規模。

這個二級模型將依賴於預測誤報的特徵，因此波動性、序列相關性、偏斜等特徵將非常有用。

引用自：https://quant.stackexchange.com/questions/49338