Level 3 KI im Trading · Teil 4/8

Labels: Triple-Barrier und Meta-Labeling

Die Frage, die ein Modell beantworten soll, wird üblicherweise in zwei Zeilen Code festgelegt und dann nie wieder hinterfragt. Sie ist die folgenreichste Entscheidung im ganzen Ablauf.

Warum die feste Frist versagt

Der Standardansatz lautet: “Ist der Kurs in zehn Perioden höher?” Er hat einen Fehler, der jede spätere Auswertung entwertet – er ignoriert den Weg.

Zwei Verläufe mit identischem Label:

Verlauf A steigt gleichmäßig um 3 Prozent.
Verlauf B fällt zwischenzeitlich um 12 Prozent und schließt am Ende 3 Prozent höher.

Für das Modell sind beide ein Gewinn. In der Praxis ist B ein Verlust, weil jede vernünftige Risikosteuerung längst ausgestoppt hätte. Ein Modell, das auf solchen Labels trainiert wird, lernt gezielt Situationen zu bevorzugen, die real nicht durchzuhalten sind.

Die Triple-Barrier-Methode

Statt zu fragen „steigt der Kurs in 10 Tagen?" fragt die Triple-Barrier-Methode, welche von drei Grenzen zuerst berührt wird: (1) die obere Gewinnschwelle, (2) die untere Verlustschwelle, (3) die senkrechte Zeitgrenze. (4) Hier wird die obere Grenze zuerst erreicht — das Label lautet +1. Der Unterschied zur festen Frist ist entscheidend: Ein Pfad, der zwischendurch tief einbricht und sich erholt, bekommt hier ein Verlust-Label, bei fester Frist ein Gewinn-Label. Handelbar ist nur die erste Variante.

Statt nach fester Frist zu fragen, werden drei Grenzen gesetzt und geprüft, welche zuerst berührt wird:

eine obere Grenze (Gewinnziel),
eine untere Grenze (Verlustgrenze),
eine senkrechte Grenze (maximale Haltedauer).

Das Label ergibt sich aus der zuerst berührten Grenze: +1, −1 oder 0. Damit bildet es exakt ab, was einer real geführten Position passiert wäre.

Der wichtige Zusatz: Die Grenzen werden volatilitätsabhängig gesetzt, etwa als Vielfaches der aktuellen ATR . Feste Prozentgrenzen erzeugen sonst in ruhigen Phasen fast nur Zeitgrenzen-Labels und in bewegten Phasen fast nur Treffer – das Modell lernt dann in erster Linie das Volatilitätsregime.

Meta-Labeling

Eine zweite Idee, die das Problem anders zerlegt.

Meta-Labeling teilt eine schwer lösbare Frage in zwei einfachere: (1) Ein Primärmodell — oder eine simple Regel — entscheidet nur die Richtung (+1 oder −1). (2) Ein Zweitmodell bewertet ausschließlich, ob dieses Signal wahrscheinlich richtig ist (0 oder 1). (3) Aus dessen Wahrscheinlichkeit entsteht die Positionsgröße zwischen 0 und 1. Der Vorteil: Das Zweitmodell lernt an einer sauber definierten binären Aufgabe und darf die Größe auf null setzen, ohne die Richtung je infrage zu stellen.

Ein Primärmodell – oder eine schlichte Regel, etwa ein Crossover aus Level 2 – legt allein die Richtung fest. Ein Zweitmodell beantwortet dann nur noch eine einzige binäre Frage: Ist dieses Signal wahrscheinlich richtig? Aus seiner Wahrscheinlichkeit wird die Positionsgröße abgeleitet, zwischen null und voll.

Der Nutzen liegt in der Aufgabenteilung:

Die Richtungsfrage ist schwer und rauschanfällig. Sie bleibt bei einer Regel, die man versteht.
Die Frage “wie verlässlich ist dieses Signal” ist deutlich besser lernbar, weil sie in einem Kontext gestellt wird, den das Zweitmodell mit Merkmalen füllen kann – Volatilität, Marktphase, Tageszeit, Trendstärke.
Das Zweitmodell darf die Größe auf null setzen. Es kann Schaden verhindern, ohne je die Richtung infrage zu stellen.

Praktisch verbessert Meta-Labeling meist nicht die Trefferquote, sondern das Verhältnis von Gewinn zu Verlust – es filtert die schwachen Signale heraus. In der Sprache aus Level 1 : Es erhöht den Erwartungswert je Trade, nicht die Zahl der Treffer.

Die Nebenwirkung

Beide Verfahren erzeugen ein Problem, das im nächsten Artikel behandelt wird: Wenn ein Label bis zur Berührung einer Grenze reicht, überlappen sich benachbarte Beispiele. Zwei Beobachtungen im Abstand einer Periode teilen fast ihr gesamtes Ergebnisfenster – und sind damit alles andere als unabhängig.

Weiterlesen

Genau diese Überlappung und ihre Behandlung über Stichprobengewichte.