Qu’est-ce que le Meta-Labeling ?
Le meta-labeling est une technique introduite par Marcos López de Prado dans Advances in Financial Machine Learning (2018). L’idée est simple mais puissante : au lieu de demander à un seul modèle de prédire la direction ET la taille d’une position, on sépare ces deux tâches.
Le problème du modèle unique
Un modèle de classification standard prédit BUY, SELL ou HOLD. Mais il confond deux questions fondamentalement différentes :
- Direction : le prix va-t-il monter ou baisser ?
- Sizing : quelle confiance accorder à cette prédiction ?
La solution : deux modèles en cascade
Le meta-labeling utilise deux modèles :
- Modèle primaire : prédit la direction (BUY/SELL). Peut être un modèle ML, une règle technique, ou un signal fondamental.
- Meta-modèle : prend en entrée le signal du modèle primaire + des features supplémentaires, et prédit si ce signal va être profitable (1) ou non (0).
Avantages
- Précision : le meta-modèle filtre les faux signaux du modèle primaire
- Sizing : la probabilité du meta-modèle sert directement au sizing de position (Kelly criterion)
- Modularité : on peut changer le modèle primaire sans retrainer le meta-modèle
Implémentation dans CVNTrade
Dans notre pipeline, le meta-label est le filtre #5 sur 9. Il intervient après les filtres CUSUM, Trend, Inference et Confidence. Le meta-modèle est entraîné sur les résultats historiques du modèle primaire avec triple barrier labeling.