Meta-Labeling: O Segundo Modelo Que Filtra os Sinais Falsos do Primeiro

O meta-labeling foi criado por Marcos López de Prado (2018) em Advances in Financial Machine Learning para resolver um problema que assombra qualquer sistema: o sinal acerta a direção, mas dispara em momentos errados e queima capital em falsos positivos. A ideia conversa de perto com o que já tratamos em armadilhas de machine learning em trading, walk-forward analysis e estatística da vantagem real. Aqui a gente separa duas decisões que normalmente ficam grudadas: para que lado operar e se operar.

Meta-labeling separa a direção da decisão de agir

Meta-labeling é uma arquitetura de dois modelos em série. O modelo primário responde “comprar ou vender?” — é o seu sinal de sempre, podendo ser uma média móvel, um modelo estatístico ou uma rede neural. O modelo secundário (meta) não tem opinião sobre direção; ele recebe o palpite do primário e responde uma pergunta binária: “este palpite tem cara de acerto ou de erro?”. Quando o secundário diz “erro provável”, o trade é vetado — mesmo que o primário esteja gritando para entrar.

López de Prado (2018) descreve o procedimento em duas etapas: primeiro você ajusta o modelo primário para prever o sinal do retorno anormal; depois ajusta um modelo secundário em cima do primeiro para prever se o primário acertou. O segundo modelo aprende a usar o primeiro. Esse desenho permite que o primário tenha recall alto (capturar quase todas as oportunidades, errando bastante) e deixa a tarefa de elevar a precisão para o meta-modelo, que corta os erros.

Um detalhe sutil, mas decisivo: o modelo secundário só recebe as situações em que o primário já decidiu entrar. Ele nunca é consultado sobre os momentos que o primário ignorou. Isso o torna um especialista numa pergunta muito mais estreita — “dado que vamos operar, este caso específico cheira a acerto?” — e perguntas estreitas são mais fáceis de aprender com pouco dado. O primário, por sua vez, fica livre para ser agressivo e não precisa pagar o preço dos seus excessos, porque o meta-modelo limpa a bagunça depois. É uma divisão de trabalho, não uma redundância.

A vantagem real é melhorar a precisão sem matar o recall

O ganho de meta-labeling vive no trade-off entre precisão e recall. Precisão é a fração de trades disparados que deu certo; recall é a fração de boas oportunidades que você capturou. Modelos de direção sozinhos vivem um dilema: para subir a precisão eles ficam conservadores e perdem oportunidades (recall cai); para subir o recall eles disparam demais e enchem o livro de falsos positivos (precisão cai).

O F1-score — a média harmônica entre precisão e recall — é a métrica que López de Prado recomenda otimizar justamente porque pune os dois extremos. A proposta do meta-labeling é deixar o modelo primário com recall generoso e usar o secundário para filtrar os falsos positivos, subindo a precisão sem devolver as oportunidades já encontradas. O resultado líquido é um F1 maior. Nos testes da Hudson & Thames, uma estratégia de tendência (cruzamento de médias) viu a precisão fora da amostra subir de 0,48 para 0,54 e a acurácia de 48% para 55% com a camada meta acoplada.

Os rótulos do meta-modelo saem do método triple-barrier

O combustível do modelo secundário são rótulos honestos de “acertou / errou”, e a forma canônica de gerá-los é o método triple-barrier de López de Prado. Cada evento ganha três barreiras: uma superior (lucro-alvo), uma inferior (stop) e uma vertical (prazo máximo). O rótulo é definido por qual barreira o preço toca primeiro, e as barreiras de lucro e stop são dimensionadas pela volatilidade corrente do ativo — não por um percentual fixo cego ao risco do momento.

Num exemplo concreto da Hudson & Thames (2023) com barreiras a 1% e prazo de 1 dia, 1.771 eventos filtrados produziram 531 sinais de compra, 487 de venda e 753 de “não operar”. A montagem segue uma ordem clara:

1. Filtrar eventos (ex.: filtro CUSUM) para não rotular todo dia, só os momentos relevantes.
2. Rotular a direção com triple-barrier — esse é o alvo do modelo primário.
3. Gerar o rótulo meta: para cada trade que o primário sugeriu, marcar 1 se teria dado lucro e 0 se teria dado prejuízo.
4. Treinar o secundário com features do contexto (regime, volatilidade, hora) para prever esse 1/0.

O segundo modelo também decide o tamanho da aposta

Meta-labeling não devolve só um sim/não — devolve uma probabilidade de o trade dar certo, e essa probabilidade é matéria-prima natural para o sizing. Em vez de operar todo sinal com o mesmo lote, você escala a posição pela confiança do meta-modelo: probabilidade alta, posição cheia; probabilidade marginal, posição reduzida ou trade vetado. É a ponte direta com position sizing anti-martingale — aumentar quando a evidência favorece, nunca dobrar na perda.

Esse é um ponto de elegância do desenho: separar direção de convicção permite que o primário seja simples e estável, enquanto a complexidade adaptativa (quanto arriscar agora) fica isolada no secundário. A relação com previsão de regime e volatilidade — tema de IA na previsão de volatilidade — é direta: as features que mais ajudam o meta-modelo costumam ser medidas de volatilidade e de regime de mercado.

Na prática, a probabilidade do meta-modelo entra no sizing por uma regra de corte mais um escalonamento. Abaixo de um limiar (digamos 50%), o trade é vetado de vez. Acima dele, o tamanho cresce com a confiança, podendo ser mapeado para frações de risco ou para um critério de aposta calibrado pela vantagem real. O efeito é duplo: você opera menos vezes, mas opera mais pesado quando a evidência é forte — exatamente o perfil de payoff que se busca em sistemas de cauda controlada, em vez de espalhar risco igual por sinais bons e medíocres.

Meta-labeling não conserta um sinal sem vantagem

O alerta mais importante: meta-labeling não cria vantagem, ele refina uma que já existe. A própria Hudson & Thames resume que “se o algoritmo é ruim, o meta-labeling provavelmente só reduzirá o prejuízo” — filtrar falsos positivos de um sinal aleatório só te deixa com menos trades aleatórios. Se o primário não tem recall mínimo, não há o que filtrar.

Os outros riscos são os de sempre em ML de finanças, e merecem disciplina dobrada porque agora há dois modelos que podem se ajustar ao ruído. É obrigatório validar a camada meta com walk-forward fora da amostra e desconfiar de ganhos grandes demais — note que no teste de reversão à média da Hudson & Thames o salto de validação (20%→77% de acurácia) foi muito maior que o salto fora da amostra (17%→63%), e a precisão fora da amostra mal saiu de 0,17 para 0,20. Esse encolhimento entre validação e OOS é o sintoma clássico que cobrimos em estatística da vantagem real: o número da amostra é otimista; o que vale é o que sobra depois.

Meta-labeling é a mesma coisa que um filtro de sinais comum?

Não — um filtro comum usa regras fixas, enquanto o meta-labeling treina um modelo dedicado a prever o erro do seu modelo principal. A diferença prática é que o filtro é estático e o meta-modelo aprende padrões de quando o sinal primário falha (qual regime, qual volatilidade, qual hora), saída que López de Prado (2018) formaliza como um segundo modelo supervisionado sobre os rótulos triple-barrier.

Por que não treinar um único modelo que já faz tudo?

Porque misturar direção e convicção num só modelo costuma piorar as duas. Separar deixa o primário focar em recall (achar oportunidades) e o secundário focar em precisão (cortar erros), o que segundo López de Prado (2018) melhora o F1-score — a média harmônica entre precisão e recall — sem o cabo de guerra interno de um modelo monolítico.

Meta-labeling melhora a rentabilidade em qualquer estratégia?

Não garante — nos testes da Hudson & Thames a estratégia de tendência “não superou em todas as métricas, mas superou em base ajustada ao risco”, enquanto a de reversão à média melhorou de forma ampla. O ganho depende de o sinal primário ter recall suficiente para sobrar coisa boa a filtrar.

De onde vêm os rótulos para treinar o modelo secundário?

Os rótulos vêm do método triple-barrier: para cada trade sugerido pelo primário, marca-se 1 se ele teria tocado a barreira de lucro antes do stop e 0 caso contrário. Esse 1/0 é o alvo binário que o modelo meta aprende a prever a partir das features de contexto.

Referências

• López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley. (Capítulos de meta-labeling e do método triple-barrier; conceito desenvolvido em 2017 na Guggenheim Partners / Cornell.)
• Hudson & Thames (2023). Machine Learning Trading Essentials (Part 2): Fractionally differentiated features, Filtering, and Labelling. (Exemplo triple-barrier: 1.771 eventos → 531 compra / 487 venda / 753 sem trade.)
• Hudson & Thames. Does Meta-Labeling Add to Signal Efficacy? (Reversão à média: acurácia OOS 17%→63%, precisão 0,17→0,20; tendência: acurácia OOS 48%→55%, precisão 0,48→0,54.)