Zum Inhalt

Triple-Barrier Method & Meta-Labeling

Zwei zusammenhängende Konzepte von López de Prado für überlegenes Labeling und Modellarchitektur in Financial ML: Triple-Barrier definiert wann eine Position geschlossen wird; Meta-Labeling trennt Richtungsentscheidung von Größenentscheidung.

Triple-Barrier Method

Das Standard-Label-Schema in Finance — Rendite nach N Bars — ist pathologisch: Es ignoriert Stop-Losses, Profit-Takes und Volatilitätsregime. López de Prado's Alternative: Drei Barrieren definieren den Ausgang.

Konfiguration [pt, sl, t1] — drei binäre Schalter: - Obere Barriere: Profit-Take = Faktor × Volatilität - Untere Barriere: Stop-Loss = Faktor × Volatilität (asymmetrisch möglich) - Vertikale Barriere: Maximale Haltedauer (Zeitlimit)

Label = erste berührte Barriere: - Obere Barriere → +1 (Profit) - Untere Barriere → -1 (Stop-Loss) - Vertikale Barriere → Vorzeichen der Rendite oder 0

Standardkonfiguration [1,1,1]: Alle drei Barrieren aktiv — realistischstes Label für echtes Trading.

Kritischer Vorteil: Labels sind volatilitätsnormiert (Barrieren = Faktor × σ) und path-dependent — exakt wie reales Risikomanagement. Fixer Zeithorizont hingegen labelt identische Preispfade unterschiedlich, je nach Kalender-Datum.

Meta-Labeling

Problem: ML-Modelle als Black Boxes für Kauf/Verkauf-Entscheidungen scheitern oft, weil die Features, die eine Rally antreiben, andere sind als die, die einen Einbruch antreiben. Ein einzelnes Modell für beide Seiten ist überdeterminiert.

Lösung — zweistufiges System:

  1. Primärmodell bestimmt die Seite (Long / Short):
  2. Kann fundamental sein (Value-Modell, Elliott Wave, Narrativ)
  3. Kann regelbasiert sein (Momentum, Breakout)

  4. Ziel: hoher Recall (findet alle echten Gelegenheiten), auch wenn Precision niedrig

  5. Sekundärmodell (ML-Overlay) bestimmt ob und wie groß:

  6. Input: Features + Seite vom Primärmodell
  7. Output: Binär {0=nicht handeln, 1=handeln} + Wahrscheinlichkeit für Bet-Sizing
  8. Ziel: hohe Precision (filtert False Positives des Primärmodells heraus)

Ergebnis: F1-Score steigt deutlich. ML entscheidet nicht mehr was zu tun ist (Domäne von Fundamentalisten, EW-Analytikern), sondern ob und wie stark.

Quantamental-Anwendung: Analyst definiert Narrativ und Richtung, ML-Overlay skaliert die Position. Kombination aus menschlichem Urteil und statistischer Disziplin.

Verbindung zu Johanns System

Meta-Labeling ist das fehlende Glied: O'Shea's narrativ_katalysator liefert Richtung (Primärmodell), ML-Overlay bestimmt Sizing und eliminiert schwache Trade-Setups. Elliott Wave als Primärmodell für Richtung + Meta-Labeling-Filter für Entry-Qualität — das ist die operative Synthese.