paperpreprintbi-level-optimizationlabel-designcsiml

Song, Liu & Chen (2026) — Label Horizon Paradox

The Label Horizon Paradox: Rethinking Supervision Targets in Financial Forecasting. Preprint 2026-02-05. 三位作者均为 1E Fund Management Co., Ltd. (易方达基金) Project Lead。

元数据

项 值
作者 Chen-Hui Song, Shuoling Liu, Liyuan Chen
机构 1E Fund Management Co., Ltd. (易方达基金), Guangdong, China
通讯 songchenhui@efunds.com.cn / liushuoling@efunds.com.cn / chenly@efunds.com.cn
预印本日期 2026-02-05 (per PDF)
arXiv id 未给 (本 PDF 无 arXiv 编号,纯 preprint)
长度 10 页主体 + Appendix
数据 CSI 300 / 500 / 1000, 2019-01 ~ 2025-07
Venue 状态 Preprint,未发表

一句话贡献

提出Label Horizon Paradox(训练标签 ≠ 推理目标反而更好),用 Linear APT 改写给出理论机制,并提出 Adaptive Horizon Learning via Bi-level Optimization (BLO) 单次训练自动学最优 \lambda。

三件事

  1. 现象: 三种 \delta^\star 形态(单调递减 / 递增 / 单峰)在 CSI 500 LSTM 上稳定出现。
  2. 理论: 把 APT 改写为 \alpha(\delta) 信号实现 + \sigma^2\sqrt{\delta+\delta_0} 噪声累积,Theorem 3.2 给出 \delta^\star 一阶条件。
  3. 方法: BLO + warm-up + 熵正则,在 10 模型 × 3 数据集上一致提升 IC。

关键数字

  • CSI 500 LSTM: IC 0.0845 → 0.1029 (+22%), Sharpe 3.534 → 3.660。
  • CSI 500 Mamba: IC 0.0917 → 0.1141 (+24%,提升最大架构)。
  • CSI 1000 Bi-Mamba+: Sharpe 3.622 → 4.409 (+22%)。
  • vs Naive Averaging (CSI 500 LSTM Scenario 1): 0.969 → 1.029。
  • vs Equal-Weight MTL (同上): 0.932 → 1.029。

关联页