ファイナンス機械学習 勉強 #2 -メタラベリング-（ラベリング）
この記事は、『ファイナンス機械学習』を読んで得た学びや考えを、私自身の視点で要約・考察したものです。とても難しい内容なので平易な文章で学んだことを整理していきます。Pythonで実装をして検証を行わないとイメージがつきにくいと思うので、実際に本書を手に取って勉強してください。
今回は『ファイナンス機械学習』第３章です。第１章から第２章は飛ばします。
前回までの振り返り
前回はトリプルバリア法によって、トレードの出口（利確、損切、時間切れ）をモデル化する手法を整理しました。また、市場のボラティリティは変動するため、動的閾値の考え方も示しました。今回は、「あるモデルが出すシグナルに従うべきかどうか」を別のモデルで学習・判断するためのメタラベリングという手法について整理します。
読んだ内容のまとめ
1.解決したい問題点
通常の機械学習戦略では、次のような課題が存在します。
一次モデルはシグナルを出すが、信頼性のばらつきがある
間違ったシグナルでエントリーすると損失リスクが高まる
買うべきか だけでなく、その買い判断は信用できるかも重要である
こうした課題に対し、メタラベリングは以下のような役割を果たします。
シグナルが「正しかったかどうか」の結果ラベルを使って
別のモデルでその正しさを事前に予測する
これにより、戦略の信頼性を向上させ、より選択的にエントリーが可能になります。
2.メタラベリングの仕組み
この定義は、シグナルの正しさを次のように判定します。
モデルが ロング予測（+1） を出し、価格が上昇した → 成功（+1）
モデルが ショート予測（-1） を出し、価格が下落した → 成功（+1）
モデルの予測方向と実際のリターンが逆 → 失敗（-1）
変化が小さい場合など → 中立（0）
このようにメタラベルは、戦略の判断の正当性を教師信号として活用するために用いられます。
メタモデルはこのラベルを学習し、「このシグナルは有効か？」を事前に予測できるようになります。
3.図解によるイメージ
前回の記事で使用した図解を使って、ロング戦略だった場合の戦略の正当性についてラベルを付けてみます。
ロング戦略が成功した場合
ロング戦略が失敗した場合
想定と異なったが、一応ロング戦略が成功した場合（プラス収益だった）
このフラグの付け方は中立というフラグをたてるのもあり。この辺は臨機応変に。
このように、トリプルバリア法で整理をした状況に対して、成功したかどうかのフラグを付けるイメージです。
4.数式による理論
● シグナル（サイド予測）
一次モデルの出力として、各時点 $${t}$$ におけるエントリー方向 $${\hat{y}_t}$$ を得ます。
$$
\hat{y}_t \in {+1, -1}
$$
●実現リターンと結果ラベル
トリプルバリア法により、あるイベント期間に対する実現リターン $${r_t}$$ を観測し、その成否ラベル $${y_t}$$ を定義します。
$$
y_t = \text{sign}(\hat{y}_t \cdot r_t)
$$
$${\hat{y}_t}$$：モデルが予測したサイド（+1 or -1）
$${r_t}$$：エントリーから終了までのリターン
$${y_t}$$：結果としての成功（+1）・失敗（-1）・中立（0）
sign 関数は、ある数値の 符号（プラスかマイナスかゼロか） を返す関数
4.出力されるイメージ
ret：エントリーから終了までのリターン
label：トリプルバリア法によるラベル
side：エントリー方向
bin：成功（+1）・失敗（-1）
補足をすると、一次モデルというのはイベントを指します。例えば、ゴールデンクロスや高値更新などです。これに対して、成功したかどうかの信頼度(bin)をモデリングをするイメージです。
上記の図解イメージの時のlabel が 0 で bin が +1 の場合
状況：時間制限バリアに到達するまでに利益確定バリアや損切りバリアには触れなかったが、最終的な実現リターンは正であり、取引の方向性と一致していた場合。
解釈：設定した期間内に目標とする利益水準には到達しなかったものの、取引の方向性は正しく、最終的には利益が出ていたことを示します。
気づき
・一次モデルの判断の正当性を学習させることによって、「この戦略は有効化？」を事前に予測できるようになる。
投資への活用アイディア
トリプルバリア法とメタラベリングを活用することでイベントに対するモデリングを実践すること。
疑問点に関する調査
なぜ「方向×値幅×時間」と「方向（信頼性）」で２回判断するのか？
方向性が二回登場していることに違和感を感じたが、下記のように解釈を自分なりにしました。
一次モデルは、「この方向でポジションを取る価値があるか？」を複合的に判断しています。
二次モデルは、「そのシグナルに従うかどうか」という実行判断に特化しています。
たとえば、一次モデルが強いロングシグナルを出していても、市場のボラティリティが高い・ファンダメンタルに不安がある・他銘柄との関係から不利な場合などは 実行を控えるべき です。
こうした意思決定のフィルタリングを、メタモデルで担うことで、戦略全体のシャープレシオや ドローダウンを改善する効果が期待できます。
今後のアクション
一次モデルの予測サイドとトリプルバリア法によるリターンの整合性から、メタラベルを構築
そのメタラベルを予測するモデル（例：LightGBM）を訓練し、信頼度スコアとして利用
実運用においては、メタモデルのスコアが閾値を超えたときのみエントリーとすることで、誤シグナルを排除する堅牢な仕組みを目指す
ということで、ファイナンス機械学習の第2回はここまでにします！
今回もなるべく初心者向けにやさしい表現を心がけましたが、本書はとても難解なので解釈が間違っていることがあるかもしれません。そのうち、誤りに気づいたら更新していきます。この調子で、次回も投稿を続けていきます。