第4章标签构建

4、标签构建：如何定义涨跌方向？

好，咱们进入第四讲。前面几章我们把数据拿回来了，也把特征工程做完了。但有个核心问题一直没解决——机器到底要学什么？

说白了，你得告诉它什么是「涨」，什么是「跌」。这就是标签构建。

我见过不少新手，上来就把「明天收盘价比今天高」定义为涨。听起来没毛病对吧？但实际跑起来，模型准确率死活上不去。为什么？因为市场有噪音，单日的涨跌随机性太强了。

嗯，这里要注意。我们真正要预测的，不是明天那一下跳动，而是一段趋势。

4.1 未来N日收益率：标签的数学基础

我个人习惯用未来N日收益率来定义涨跌。公式很简单：

未来N日收益率 = (未来第N日的收盘价 / 当前收盘价) - 1

举个例子。今天收盘价是100元，5天后收盘价是105元。那未来5日收益率就是5%。

你可能会问：「N取多少合适？」

我在项目中遇到过这个问题。取1天，噪声太大。取20天，又太滞后，等你信号出来，行情都走完了。我个人经验是：

短线策略：N=3或5
中线策略：N=10或20
长线策略：N=60或120

当然，这没有标准答案。我建议你根据自己策略的持仓周期来定。

小技巧：如果你不确定选哪个N，可以跑一个「N值敏感性分析」。把N从1到30都试一遍，看看哪个N下模型表现最稳定。我常用的方法是看「夏普比率」的峰值。

4.2 分类标签的生成：从连续值到离散类别

收益率是连续值，但我们做的是分类任务。所以需要把连续值映射成离散类别。

最常见的做法是设一个阈值：

def generate_label(future_return, threshold=0.02):
    if future_return > threshold:
        return 1  # 涨
    elif future_return < -threshold:
        return -1  # 跌
    else:
        return 0  # 平

这里threshold取2%。为什么是2%？其实没有魔法数字。我一般会看历史收益率的分布，取一个能平衡样本量的值。

举个例子，如果历史数据显示：

收益率 > 2% 的样本占30%
收益率 < -2% 的样本占30%
中间占40%

那这个阈值就挺合理。三类样本不至于太偏。

注意：千万不要把threshold设得太小。比如设成0.1%，那几乎所有样本都是「涨」或「跌」，模型学到的全是噪声。我曾经犯过这个错，模型在训练集上准确率90%，一上实盘就崩。后来发现，它学到的根本不是趋势，而是随机波动。

4.3 平衡性检查：别让模型变成「偏科生」

标签生成完了，第一件事就是检查类别分布。

为什么？因为不平衡的数据会让模型偷懒。比如90%的样本都是「涨」，模型只要永远预测「涨」，准确率就有90%。但它什么也没学到。

我一般用这个函数来检查：

def check_balance(labels):
    unique, counts = np.unique(labels, return_counts=True)
    total = len(labels)
    for cls, cnt in zip(unique, counts):
        print(f"类别 {cls}: {cnt} 样本, 占比 {cnt/total:.2%}")
    return counts / total

输出结果大概长这样：

类别	样本数	占比
-1（跌）	1200	28.6%
0（平）	1800	42.9%
1（涨）	1200	28.6%

这个分布就挺健康。三类样本差不多。

但如果出现这种情况：

类别	样本数	占比
-1（跌）	300	7.1%
0（平）	3600	85.7%
1（涨）	300	7.1%

那就要警惕了。模型大概率会学成「永远预测平」的废物。

  核心原则：任何一类的占比不要低于10%。如果低于10%，建议调整阈值，或者改用二分类（只预测涨和跌，去掉「平」）。

4.4 核心逻辑流程图

下面这张图，把整个标签构建的流程串起来了。你可以把它当作本章的「知识地图」：

4.5 处理不平衡的几种方法

如果检查后发现不平衡，怎么办？别慌，有办法。我按推荐程度排个序：

调整阈值：这是最简单的方法。把threshold调大或调小，让三类样本更均衡。
重采样：对少数类做上采样（复制样本），或对多数类做下采样（随机丢弃）。我一般用上采样，因为下采样会丢失信息。
改用二分类：如果「平」的样本太多，干脆去掉中间类别，只预测「涨」和「跌」。这样问题简化了，模型也更容易学。
加权损失函数：给少数类更高的权重，让模型更关注它们。这个方法在深度学习里很常用。

我的经验：如果数据量足够大（比如超过1万条），我优先用「调整阈值」。如果数据量小，我会用「重采样+加权损失」的组合。记住，没有银弹，多试几种方法，看验证集上的表现。

4.6 一个完整的代码示例

最后，给你一个完整的标签构建函数。这是我项目里常用的模板：

import numpy as np
import pandas as pd

def build_labels(df, n_days=5, threshold=0.02, method='three_class'):
    """
    构建涨跌分类标签
    
    参数:
        df: DataFrame，必须包含 'close' 列
        n_days: 未来N日
        threshold: 涨跌阈值
        method: 'three_class' 或 'two_class'
    
    返回:
        df: 添加了 'label' 列的DataFrame
    """
    # 计算未来N日收益率
    df['future_return'] = df['close'].shift(-n_days) / df['close'] - 1
    
    # 生成标签
    if method == 'three_class':
        conditions = [
            df['future_return'] > threshold,
            df['future_return'] < -threshold
        ]
        choices = [1, -1]
        df['label'] = np.select(conditions, choices, default=0)
    else:  # two_class
        df['label'] = (df['future_return'] > threshold).astype(int)
    
    # 删除未来数据不可用的行
    df = df.dropna(subset=['label'])
    
    # 打印平衡性检查
    print("标签分布：")
    print(df['label'].value_counts(normalize=True))
    
    return df

# 使用示例
# df = build_labels(data, n_days=5, threshold=0.02, method='three_class')

这个函数会帮你自动完成：计算收益率 → 生成标签 → 删除无效行 → 打印平衡性检查。一步到位。

好了，标签构建就讲到这里。记住，标签的质量直接决定了模型的上限。花时间把这一步做好，后面会省很多事。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4、标签构建：如何定义涨跌方向？

4.1 未来N日收益率：标签的数学基础

4.2 分类标签的生成：从连续值到离散类别

4.3 平衡性检查：别让模型变成「偏科生」

4.4 核心逻辑流程图

4.5 处理不平衡的几种方法

4.6 一个完整的代码示例