paperpreprintbi-level-optimizationlabel-designcsiml

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

大白话：这篇论文提出「标签视界悖论」——训练时用的标签期限不等于最终想要预测的目标期限，反而效果更好；它用线性 APT 改写给出理论机制，并提出双层优化（BLO）算法在一次训练中自动学出最优的标签期限参数。

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
发表状态 预印本，未发表

一句话贡献

提出标签视界悖论 (Label Horizon Paradox)（训练标签 ≠ 推理目标反而更好），用线性 APT 改写给出理论机制，并提出 基于双层优化的自适应视界学习 (Adaptive Horizon Learning via Bi-level Optimization, BLO)，单次训练自动学出最优的 \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 个模型 × 3 个数据集上一致提升 IC。

关键数字

  • CSI 500 LSTM：IC 0.0845 → 0.1029（+22%），夏普 3.534 → 3.660。
  • CSI 500 Mamba：IC 0.0917 → 0.1141（+24%，提升幅度最大的架构）。
  • CSI 1000 Bi-Mamba+：夏普 3.622 → 4.409（+22%）。
  • 对比朴素平均（CSI 500 LSTM Scenario 1）：0.969 → 1.029。
  • 对比等权多任务学习 MTL（同上）：0.932 → 1.029。

关联页