# 利用機器學習預測股票漲跌：用 Triple Barrier 優化 Labeling 方式

台股研究 2020年7月22日 約 4 分鐘閱讀

機器學習預測股票漲跌時，傳統 fixed time horizon label 無法停損停利。本文示範 Prado《Advances in Financial Machine Learning》Triple Barrier 三柵欄做法，附完整 Python triple\_barrier 函式產生乾淨買賣訊號。

傳統 fixed time horizon 的機器學習 label 無法停損停利，導致風險難以控制。改用 Triple Barrier 三柵欄方法，讓模型預測「含停損停利」的獲利狀況，附完整 Python 程式碼。

第二堂課程最近也終於走向穩定了，剛開始有一些的bug、RAM的優化上的問題，還請同學們多多擔待，我們也會持許推出新的介紹，讓大家有更多可以加強機器學習的方式，這一篇文章中，我們要針對以往的labeling方式進行優化，讓訓練出來的模型，可以有更準確的預測。

沒有參加課程的同學，也可以跟我們一起學習，下方的程式碼都是完全公開的！請大家自行拿取玩玩看喔！

[![機器學習預測股票漲跌優化方式文章封面縮圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/thumbnail-11-1024x558.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/thumbnail-11-1024x558.png)

依本文重跑

## 執行這個策略

複製提示詞，讓 AI 依照上方證據的資料、條件與風險檢查重跑一次。

告訴你的AI：

幫我設定 FinLab，重現這篇文章，請讀：https\://finlab.finance/setup?relatedUrl=/blog/machine-learning-stock-prediction-triple-barrier-labeling

[免安裝，開啟 FinLab Studio](https://studio.finlab.finance/chat?lang=zh\&research_context=%7B%22v%22%3A1%2C%22source_url%22%3A%22https%3A%2F%2Ffinlab.finance%2Fblog%2Fmachine-learning-stock-prediction-triple-barrier-labeling%22%7D)

## 機器學習 「features 和 labels」

假如您不知道Labeling是什麼，那我們這邊還是先簡單的介紹一下supervise機器學習（監督式機器學習）：

這一類的機器學習模型，可以想像是一個函式 function f，我們想要計算 `y = f(x)`，其中 x 就是 features，另外 y 就是 labels，假如我們想要預測天氣，則 x 就是 溫度 濕度 等等，而 y 就是 0 或 1 代表是否會下雨，假如我們想要預測股價，則 x 就是 技術指標、財報等等，而 y 就是股價。 機器學習就是產生這麼一個 function f，可以藉由 x 來推估 y，也就是 `y = f(x)`，下方就是機器學習用來訓練的資料（x, y）的示意圖，其中 x 就是一些技術指標，而y就是買賣訊號：

[![機器學習訓練資料 features 與 labels 示意圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/fl-1024x376.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/fl-1024x376.png)

機器學習模型（f）大部分是一個黑盒子，也就是我們不需要知道 f 的公式是什麼 （也不太可能顯示出來，因為太複雜了）

而我們就會先給一些 x 跟 y，並且讓演算法去產生 f， 這個就是 supervise 機器學習模型的基本概念

假如我們要用機器學習來預測股票，就要先有 x 跟 y，也就是 features 跟 labels 假如我們想要預測股價，要怎麼樣來製作 feature 跟 labels 呢？

## 製作 Features

製作 feature 的資料，可以是一些財報、技術指標、我們課程中也有很多製作這些指標的方式，相信網路上也有很多的介紹，由於不是此篇的重點，所以我就不多說明了XD

## 製作 Labels

製作 label 其實是非常至關重要的，假如 label 太難預測的話，模型會無法有效的訓練，以往最基本的 label 製作方式是使用 fixed time horizon 來預測 w 個時間單位後的漲跌，下圖就是 fixed time horizon 的 Labeling 方式：

[![fixed time horizon 固定時間範圍的 labeling 方式示意圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/fixedtimehorizon-1024x415.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/fixedtimehorizon-1024x415.png)

上圖中在 p(t) 的時候，我們希望預測 p(t+w) 的股價，是比較高還是比較低 我們可以使用分類的方式，將股價的漲跌分成三個部分，也就是─1（跌）、0（不漲不跌）、1（漲），這樣子我們就可以讓機器學習來預測，上面圖中，我們可以發現股價比之前的高，所以把它歸類在 1 ，也就是之後會漲。

### 缺點

然而這種方式有一個缺點，就是當今天模型叫我們買入的時候，一買就是持有 w 個時間單位，不論股價大漲或大跌都必須繼續持有，不能停損停利，這樣就會導致風險無法控制。

當然我們可以在事後回測時加上停損停利，但是這樣就跟模型的初衷有違背，模型產生的label明明就是持有 w 個時間單位，沒有停損停利。

為了解決上述問題，\[Prado 2018] Advances in Financial Machine Learning 提出了以下的新方法：

### Triple Barrier

這個方法的示意圖如下：

[![Triple Barrier 三柵欄 labeling 方式示意圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/triplebarrier-1-1024x335.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/triplebarrier-1-1024x335.png)

乍看之下跟 fixed time horizon 有點類似，不過這個方法將分類的方式做了一些改進，上圖中，用了三種不同顏色的「柵欄」，當股價從 p(t) 開始出發，隨時間不斷延伸，一定會碰到三個柵欄中的其中一個，而這三個柵欄分別代表了不同的意義：

* 1（停利）
* 0（持有 w 個時間單位）
* ─1（停損）

如此一來，我們就可以讓機器學習來預測「包含停損停利獲利狀況」，訓練出來的模型就可以跟回測的設定相符，增加機器學習的可預測性！ 雖然概念很好理解，但要寫成程式碼還是需要一點功力，尤其是執行速度快一點的程式碼，下面就分享如何產生此類的label。

### 程式碼

首先我們可以藉由[股價爬蟲這篇](https://finlab.finance/blog/python-global-index-yfinance-tutorial)裡面介紹的程式碼，來獲得股價，

顯示程式碼

```
df = crawl_price("2354.TW")
df.Close.plot()
```

[![聯電 2354 收盤價股價走勢圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/price-1024x520.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/price-1024x520.png)

針對以上的程式碼， 假如想知道 `crawl_price` 的實做，可以點入[股價爬蟲這篇](https://finlab.finance/blog/python-global-index-yfinance-tutorial)

接下來就可以來製作 labels 了！ 在我們的機器學習影音課程中，使用的是 fixed time horizon 的方式，先來看看效果如何：

顯示程式碼

```
date = '2017'
df.Close[date].plot()
(df.Close.shift(-20) / df.Close > 1).astype(int)[date].plot(secondary_y=True)
```

[![fixed time horizon 產生的買賣訊號與股價比較圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/signal1-1024x492.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/signal1-1024x492.png)

上圖中藍色的為股價，對應到左邊的y軸，黃色的是訊號，對應到右邊的y軸，也就是機器學習要學的 label，其中 1 代表買入，0 代表賣出，看起來效果有些不OK，因為訊號會在短時間內上下跳動，讓我們不知道到底該買還是賣，所以接下來我們就來試試看剛剛所介紹的 triple barrier 產生出來的 label。

下面這段是非常珍貴的程式碼，就連 Advances in Financial Machine Learning 書中附帶的程式碼，都沒有以下的程式碼更簡潔、更完整、更有效率，假如你的 pandas 技巧不夠好的話，請直接拿去使用就可以了XD，不用太深究此 function 中的程式碼！

顯示程式碼

```
import numpy as np
import math
def triple_barrier(price, ub, lb, max_period):
 
    def end_price(s):
        return np.append(s[(s / s[0] > ub) | (s / s[0] < lb)], s[-1])[0]/s[0]
    
    r = np.array(range(max_period))
    
    def end_time(s):
        return np.append(r[(s / s[0] > ub) | (s / s[0] < lb)], max_period-1)[0]
 
    p = price.rolling(max_period).apply(end_price, raw=True).shift(-max_period+1)
    t = price.rolling(max_period).apply(end_time, raw=True).shift(-max_period+1)
    t = pd.Series([t.index[int(k+i)] if not math.isnan(k+i) else np.datetime64('NaT') 
                   for i, k in enumerate(t)], index=t.index).dropna()
 
    signal = pd.Series(0, p.index)
    signal.loc[p > ub] = 1
    signal.loc[p < lb] = -1
    ret = pd.DataFrame({'triple_barrier_profit':p, 'triple_barrier_sell_time':t, 'triple_barrier_signal':signal})
 
    return ret
 
ret = triple_barrier(df.Close, 1.07, 0.97, 20)
```

這個 function 的使用方法，就是將

* 時間序列（程式碼中的`df.Close`）
* 停利(程式碼中`1.07`是指7％停利）
* 停損(程式碼中`0.97`是指3％停損）
* 最大持有時間（20天）

分別丟入 `triple_barrier` 函式當中，就可以計算出以下的 `Dataframe`

```
ret.head()
```

[![triple\_barrier 函式計算出的 DataFrame 結果](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/result-3-1024x295.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/result-3-1024x295.png)

上圖中有三條序列，其中 `index` 是日期，另外三條時間序列分別是：

* triple\_barrier\_profit 當天買入，直到停損停利後，未來的獲利狀況
* triple\_barrier\_sell\_time 當天買入，未來會持有的時間
* triple\_barrier\_signal 當天買入，未來觸發的是停損停利

我們可以將 `triple_barrier_signal` 訊號跟股價一起畫出來比較一下：

顯示程式碼

```
date = '2017'
df.Close[date].plot()
ret.triple_barrier_signal[date].plot(secondary_y=True)
```

[![triple barrier 產生的買賣訊號與股價比較圖](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/signal2-1024x499.png)](https://r2.finlab.finance/blog/generate-labels-stop-loss-stop-profit/signal2-1024x499.png)

label 的訊號變得比較乾淨，試試看訓練出更好的模型吧！ 可以使用 [google colab 線上編輯此代碼](https://colab.research.google.com/drive/1D_UuxCc7zkfv_FkHig29SXTxwlxhle6u)

***

## 延伸閱讀

* [機器學習真的無法預測股價嗎？用 AI 產生交易訊號的正確方法](https://finlab.finance/blog/machine-learning-predict-stock-price)
* [低波動本益成長比策略：MAE/MFE 機器學習選股優化](https://finlab.finance/blog/low-volatility-peg-machine-learning-stock-strategy)
* [程式交易入門指南](https://finlab.finance/tools/program-trading)

**投資警語：本文僅供教學參考，不構成投資建議。過去績效不代表未來表現，投資有風險。**

![韓承佑](https://finlab.finance/people/cheng-yu-han-avatar.jpg)

韓承佑

創辦人 & 量化研究員

韓承佑是 FinLab 創辦人，也是開源 Python 量化套件 finlab 的作者，長年投入台股與美股的量化策略研究、回測與教學。

[在 GitHub 上追蹤 →](https://github.com/koreal6803) [在 LinkedIn 上連結 →](https://www.linkedin.com/in/cheng-yu-han/)

FinLab AI

### 想建立自己的策略？

用自然語言描述你的選股想法，AI 自動驗證、回測、給你答案

[免費開始](https://finlab.finance/#get-started)

## 更多風險與資產配置研究

[查看全部](https://finlab.finance/blog/category/risk)

* [![客製化流動性風險檢測：你的台股策略真的能實戰嗎？](https://r2.finlab.finance/blog/customized_liquidityanalysis/liq-analysis.png) 客製化流動性風險檢測：你的台股策略真的能實戰嗎？ 年化報酬 47.0% · 台股](https://finlab.finance/blog/liquidity-risk-analysis-backtest)
* [![資產配置實戰：年報酬 40%、回撤 -13.75% 的策略組合方法](https://r2.finlab.finance/blog/portfolio_optimization/27.png) 資產配置實戰：年報酬 40%、回撤 -13.75% 的策略組合方法 年化報酬 40.0% · 台股](https://finlab.finance/blog/asset-allocation-40-percent-portfolio)
* [![Paper Trading 模擬交易 Python：CMoney 大富翁 API 與 11 年台股數據](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_equity_underwater_span.png) Paper Trading 模擬交易 Python：CMoney 大富翁 API 與 11 年台股數據 年化報酬 39.7% · 台股](https://finlab.finance/blog/cmoney-paper-trading-python-api)
* [![分散風險不是越多越好：分散投資如何攤薄你的超額報酬](https://r2.finlab.finance/blog/risk-of-diversification/chart_dilution_wall.png) 分散風險不是越多越好：分散投資如何攤薄你的超額報酬 年化報酬 36.6% · 台股](https://finlab.finance/blog/risk-of-diversification)

來源：https://finlab.finance/blog/machine-learning-stock-prediction-triple-barrier-labeling｜資料日期：依上文各表格與段落標示｜頁面更新：2026-11-21
