元标注 Meta-Labeling：把方向和仓位拆成两个模型
让一个 ML 模型直接预测涨跌，是金融机器学习最拥挤也最失败的路线。López de Prado 的元标注换了问法：先让一级模型（哪怕是最朴素的 MA 金叉）定方向，再训练一个二级模型只回答『这次信号该不该信、信多少』——标签是一级信号经三重障碍结算的对错（1/0），特征是信号发出时的市场状态。合成双状态市场（趋势市动量延续、震荡市均值回归）实测：胜率 59% 的金叉策略，经元模型过滤后精确率从 63% 提到 74%，代价是放掉 29% 的赚钱机会——用召回率换精确率正是交易想要的不对称；样本外净值三连跳：全执行 Sharpe 0.56 / 回撤 23%，过滤后 1.37 / 16%，概率仓位（size ∝ 2P−1）1.86 / 4.9%。打开黑箱看元模型学到了什么：趋势市金叉胜率 69% vs 震荡市 57%——它学会的是『什么时候该信趋势策略』这个 regime 判断，而这正是人类交易员最难量化坚持的纪律。三个诚实警告：元模型天花板受一级信号质量约束（垃圾进垃圾出）、双层结构过拟合风险翻倍（元特征应克制在个位数）、概率校准是仓位函数的前提（先看校准图再谈 Kelly）（中高阶）。