02-horizon对齐详解

Horizon对齐（Label Shift）详解

引言

在量化投资和机器学习建模中，“Horizon对齐”（Horizon Alignment，又称Label Shift）是一个最基础、最核心，却最容易被误解的概念。它解决的是量化投资中最根本的问题：

“我现在的因子，如何对应未来的收益？”

简单来说，Horizon对齐就是消除”未来函数”并建立因果预测关系。

本文将从数学定义、详细示例、实现对比、不同Horizon的影响、常见错误陷阱等多个维度，全面解析Horizon对齐的原理与实践。

---

1. 核心概念与数学定义

1.1 Horizon的定义

**Horizon（预测时长/视界）**是指从当前时刻 $t$ 到未来时刻 $t+h$ 的时间跨度，记为 $h$。

常见的Horizon设置：

• $h=1$：预测未来1天（日频）
• $h=5$：预测未来5天（周频）
• $h=20$：预测未来20天（月频）
• $h=60$：预测未来60天（季频）

Horizon的选择取决于：

• 交易频率：高频交易 $h$ 较小，低频投资 $h$ 较大
• 因子类型：动量因子 $h$ 较小，价值因子 $h$ 较大
• 持仓周期：短线策略 $h$ 较小，长线策略 $h$ 较大

1.2 收益率的数学定义

离散收益率（Simple Return）

从 $t$ 时刻到 $t+h$ 时刻的收益率定义为：

$R_{t\to t+h}=\frac{P_{t+h}-P_t}{P_t}$

其中：

• $P_t$：$t$ 时刻的价格
• $P_{t+h}$：$t+h$ 时刻的价格
• $R_{t\to t+h}$：从 $t$ 到 $t+h$ 的收益率

对数收益率（Log Return）

对数收益率具有可加性，是量化研究中常用的形式：

$r_{t\to t+h}=\ln \left(\frac{P_{t+h}}{P_t}\right)=\ln (P_{t+h})-\ln (P_t)$

两者的关系

当收益率较小时（$|R|\ll 1$），对数收益率约等于离散收益率：

$r\approx R$

推导（泰勒展开）：

$\ln (1+R)=R-\frac{R^2}{2}+\frac{R^3}{3}-\cdots \approx R$

优势对比

收益率类型	优势	劣势
离散收益率	直观、易懂	不可加（跨时间）
对数收益率	可加、对称性	解释性稍差

可加性示例

假设有3天的价格：$P_1=100,P_2=110,P_3=121$

离散收益率： $R_{1\to 2}=(110-100)/100=10\%$ $R_{2\to 3}=(121-110)/110=10\%$ $R_{1\to 3}=(121-100)/100=21\%\ne R_{1\to 2}+R_{2\to 3}$

对数收益率： $r_{1\to 2}=\ln (110/100)=0.0953$ $r_{2\to 3}=\ln (121/110)=0.0953$ $r_{1\to 3}=\ln (121/100)=0.1906=r_{1\to 2}+r_{2\to 3}✓$

1.3 Label Shift的推导过程

问题提出

在量化回测或机器学习建模中：

• 因子（Factor/Feature）：是我们在 $t$ 时刻就能观察到的数据（如：$t$ 时刻的收盘价、PE、成交量等）
• 收益率（Label/Target）：是我们要预测的目标，通常是从 $t$ 时刻到未来 $t+h$ 时刻的涨跌幅

问题是：如何将”当前的因子”与”未来的收益”对齐到同一行数据中？

错误的对齐方式（Look-ahead Bias）

${\text{Row}}_t=\{\underset{\text{t时刻可观测}}{\underbrace{{\text{Factor}}_t}},\underset{\text{t时刻收益（已实现）}}{\underbrace{{\text{Return}}_t}}\}$

问题分析：

• ${\text{Return}}_t$ 是 $t$ 时刻到 $t-1$ 时刻的收益（已实现）
• 在 $t$ 时刻，我们不知道 ${\text{Return}}_t$（要等到 $t+1$ 时刻才知道）
• 如果用 ${\text{Return}}_t$ 训练模型，模型会”看到未来”，这是Look-ahead Bias

正确的对齐方式（Label Shift）

${\text{Row}}_t=\{\underset{\text{t时刻可观测}}{\underbrace{{\text{Factor}}_t}},\underset{\text{未来h期收益}}{\underbrace{{\text{Return}}_{t\to t+h}}}\}$

其中：

${\text{Return}}_{t\to t+h}=\frac{P_{t+h}}{P_t}-1$

Label Shift的操作

Label Shift的本质是将 $t+h$ 时刻才产生的收益率，“平移”到 $t$ 时刻的因子行上：

${\text{Label}}_t={\text{Return}}_{t\to t+h}$

时序因果约束

Horizon对齐必须满足时序因果约束：

${\text{Factor}}_t\leftarrow {\text{Label}}_{t\to t+h}✓$ ${\text{Factor}}_{t+1}\leftarrow {\text{Label}}_{t\to t+h}\times$

约束解释：

• 在 $t$ 时刻，我们可以观测到 ${\text{Factor}}_t$
• 在 $t$ 时刻，我们预测的是 ${\text{Label}}_{t\to t+h}$（未来收益）
• 不能在 $t$ 时刻预测 ${\text{Label}}_{t\to t+h}$（这已经是过去的收益）

1.4 Dataset形式化表示

训练集构造

整个训练集可以形式化为：

$\mathcal{D}=\{({\mathbf{X}}_t,y_{t+h})\mid t=1,2,\dots ,T-h\}$

其中：

• ${\mathbf{X}}_t\in {\mathbb{R}}^{N\times F}$：$t$ 时刻 $N$ 个资产的 $F$ 个因子
• $y_{t+h}\in {\mathbb{R}}^N$：$t+h$ 时刻 $N$ 个资产的收益
• $T$：总时间长度
• $N$：资产数量
• $F$：因子数量

维度解释

时间维度（Time）：

• 训练集时间范围：$[t_1,t_{T-h}]$
• 标签时间范围：$[t_{1+h},t_T]$
• 注意：训练集最后 $h$ 个时刻没有标签（因为未来数据不存在）

资产维度（Number of instruments）：

• 横截面：每个时刻有 $N$ 个资产
• 模型可以学习”同一时刻不同资产之间的关系”（横截面信息）

因子维度（Factors）：

• 每个资产有 $F$ 个因子
• 模型可以学习”同一资产不同因子之间的关系”（时序信息）

矩阵形式

特征矩阵 $\mathbf{X}\in {\mathbb{R}}^{(T-h)\times N\times F}$：

\mathbf{X}_1 \\ \mathbf{X}_2 \\ \vdots \\ \mathbf{X}_{T-h} \end{bmatrix} = \begin{bmatrix} \begin{bmatrix}x_{1,1,1} & \cdots & x_{1,1,F} \\ \vdots & \ddots & \vdots \\ x_{1,N,1} & \cdots & x_{1,N,F}\end{bmatrix} \\ \begin{bmatrix}x_{2,1,1} & \cdots & x_{2,1,F} \\ \vdots & \ddots & \vdots \\ x_{2,N,1} & \cdots & x_{2,N,F}\end{bmatrix} \\ \vdots \\ \begin{bmatrix}x_{T-h,1,1} & \cdots & x_{T-h,1,F} \\ \vdots & \ddots & \vdots \\ x_{T-h,N,1} & \cdots & x_{T-h,N,F}\end{bmatrix} \end{bmatrix} $$ **标签矩阵** $\mathbf{Y} \in \mathbb{R}^{(T-h) \times N}$： $$ \mathbf{Y} = \begin{bmatrix} y_{1+h} \\ y_{2+h} \\ \vdots \\ y_T \end{bmatrix} = \begin{bmatrix} y_{1+h,1} & \cdots & y_{1+h,N} \\ y_{2+h,1} & \cdots & y_{2+h,N} \\ \vdots & \ddots & \vdots \\ y_{T,1} & \cdots & y_{T,N} \end{bmatrix} $$ **对齐关系** $$ \mathbf{X}_t \leftrightarrow y_{t+h} $$ 其中 $t = 1, 2, \dots, T-h$。 --- ## 2. 详细示例演示 ### 2.1 原始数据表 假设我们有某只股票3天的价格数据： | 日期 (t) | 收盘价 (Price) | 因子值 (Factor) | |---------|---------------|-----------------| | 2023-01-01 | 100 | 1.5 | | 2023-01-02 | 105 | 1.6 | | 2023-01-03 | 103 | 1.4 | **解释**： - 01-01：价格100，因子1.5 - 01-02：价格105，因子1.6 - 01-03：价格103，因子1.4 ### 2.2 Step 1：计算收益率 假设我们要预测未来1天的收益率（$h=1$）。 **计算公式**： $$ R_{t \to t+1} = \frac{P_{t+1} - P_t}{P_t} $$ **计算过程**： **01-01 到 01-02**： $$ R_{1 \to 2} = \frac{105 - 100}{100} = 5\% $$ **01-02 到 01-03**： $$ R_{2 \to 3} = \frac{103 - 105}{105} = -1.9\% $$ **收益率表**： | 日期 (t) | 收盘价 (Price) | 因子值 (Factor) | 收益率 (Return) | |---------|---------------|-----------------|-----------------| | 2023-01-01 | 100 | 1.5 | 5% | | 2023-01-02 | 105 | 1.6 | -1.9% | | 2023-01-03 | 103 | 1.4 | NaN | **注意**：01-03没有收益率，因为还没有01-04的数据。 ### 2.3 Step 2：Label Shift 现在我们需要将未来的收益率对齐到当前时刻。 **对齐规则**： $$ \text{Label}_t = R_{t \to t+1} $$ **对齐过程**： **01-01**： - 因子：1.5 - 对齐的标签：$R_{1 \to 2} = 5\%$（01-01预测01-02的收益） **01-02**： - 因子：1.6 - 对齐的标签：$R_{2 \to 3} = -1.9\%$（01-02预测01-03的收益） **01-03**： - 因子：1.4 - 对齐的标签：NaN（没有未来数据） **对齐后的数据表**： | 日期 (t) | 因子值 (Factor) | 标签 (Label) | |---------|-----------------|-------------| | 2023-01-01 | 1.5 | 5% | | 2023-01-02 | 1.6 | -1.9% | | 2023-01-03 | 1.4 | NaN | **解读**： - 01-01：用因子1.5预测未来1天的收益（5%） - 01-02：用因子1.6预测未来1天的收益（-1.9%） - 01-03：没有未来数据，无法预测（删除或填充） **Pandas代码实现**： ```python import pandas as pd # 原始数据 df = pd.DataFrame({ 'date': ['2023-01-01', '2023-01-02', '2023-01-03'], 'price': [100, 105, 103], 'factor': [1.5, 1.6, 1.4] }) # 计算收益率 df['return'] = df['price'].pct_change(1) # Label Shift（向上移动h行） h = 1 df['label'] = df['return'].shift(-h) # 清理缺失值 df_clean = df.dropna(subset=['label']) print(df_clean[['date', 'factor', 'label']]) ``` **输出**： ``` date factor label 0 2023-01-01 1.5 0.05 1 2023-01-02 1.6 -0.019 ``` ### 2.4 不同Horizon对比 **Horizon = 1（预测未来1天）** | 日期 (t) | 因子 | 标签（Label） | |---------|------|-------------| | 01-01 | 1.5 | 5% | | 01-02 | 1.6 | -1.9% | **解读**： - 用01-01的因子（1.5）预测01-01到01-02的收益（5%） - 用01-02的因子（1.6）预测01-02到01-03的收益（-1.9%） **Horizon = 5（预测未来5天）** 假设我们有更长时间的数据： | 日期 | 价格 | |------|------| | 01-01 | 100 | | 01-02 | 105 | | 01-03 | 103 | | 01-04 | 107 | | 01-05 | 110 | | 01-06 | 115 | **计算收益率**： $$ R_{1 \to 6} = \frac{115 - 100}{100} = 15\% $$ $$ R_{2 \to 7} = \text{未知} $$ $$ \vdots $$ **Label Shift**： | 日期 (t) | 因子 | 标签（Label） | |---------|------|-------------| | 01-01 | 1.5 | 15% | | 01-02 | 1.6 | NaN | **解读**： - 用01-01的因子（1.5）预测01-01到01-06的收益（15%） - 01-02没有未来5天的数据（如果数据只有到01-06） **Horizon = 20（预测未来20天）** 类似地，计算20天的收益率，然后向上移动20行。 **不同Horizon的影响**： | Horizon | 信号时效性 | IC均值 | 噪声水平 | 适用场景 | |---------|-----------|--------|---------|---------| | 1 | 极强 | 0.02-0.05 | 极高 | 高频交易 | | 5 | 强 | 0.05-0.08 | 高 | 短线策略 | | 20 | 中 | 0.08-0.12 | 中 | 中线策略 | | 60 | 弱 | 0.12-0.15 | 低 | 长线策略 | **趋势**： - Horizon越大，IC通常越高（因为长期趋势更清晰） - Horizon越大，信号时效性越差（因为未来信息太多） --- ## 3. 实现代码对比 ### 3.1 Pandas实现 **核心代码**： ```python import pandas as pd # 计算收益率 df['return'] = df['price'].pct_change(h) # Label Shift（向上移动h行） df['label'] = df['return'].shift(-h) # 清理缺失值 df = df.dropna(subset=['label']) ``` **完整示例**： ```python import pandas as pd import numpy as np # 模拟数据 np.random.seed(42) dates = pd.date_range('2020-01-01', '2023-12-31') n = len(dates) prices = 100 * np.cumprod(1 + np.random.randn(n) * 0.01) factors = np.random.randn(n) * 0.1 df = pd.DataFrame({ 'date': dates, 'price': prices, 'factor': factors }) # 设置Horizon h = 5 # Step 1: 计算收益率 df['return'] = df['price'].pct_change(h) # Step 2: Label Shift df['label'] = df['return'].shift(-h) # Step 3: 清理缺失值 df_clean = df.dropna(subset=['label']) # 验证对齐 print(f"原始数据量: {len(df)}") print(f"对齐后数据量: {len(df_clean)}") print(f"损失数据量: {len(df) - len(df_clean)}") print(f"数据损失率: {(len(df) - len(df_clean)) / len(df):.2%}") # 验证对齐正确性 sample = df_clean.iloc[0] print(f"\n示例验证:") print(f"日期: {sample['date']}") print(f"因子: {sample['factor']:.4f}") print(f"标签: {sample['label']:.4f}") print(f"验证: {sample['label']:.4f} ≈ {(df.loc[df['date'] == sample['date'] + pd.Timedelta(days=h), 'price'].values[0] / sample['price'] - 1):.4f}") ``` **输出示例**： ``` 原始数据量: 1096 对齐后数据量: 1091 损失数据量: 5 数据损失率: 0.46% 示例验证: 日期: 2020-01-01 00:00:00 因子: 0.0046 标签: 0.0492 验证: 0.0492 ≈ 0.0492 ``` ### 3.2 Qlib实现 **核心代码**： ```python from qlib import Expression from qlib.data import D # 定义因子 factor_expr = Expression($close / Ref($close, 1) - 1) # 定义Label（Horizon对齐） label_expr = Expression(Ref($close, -h) / $close - 1) # 加载数据（自动对齐） features = D.features([factor_expr], start_time, end_time) labels = D.features([label_expr], start_time, end_time) ``` **完整示例**： ```python from qlib import init from qlib.data import D from qlib.expr import Expression import pandas as pd # 初始化Qlib init(provider_uri="data/qlib/qlib_data/cn_data") # 定义时间范围 start_time = "2020-01-01" end_time = "2023-12-31" # 定义Horizon h = 5 # 定义因子（示例：动量因子） factor_expr = Expression( ($close / Ref($close, 1)) - 1 ) # 定义Label（Horizon对齐） label_expr = Expression( Ref($close, -h) / $close - 1 ) # 加载数据（Qlib自动对齐） instruments = D.instruments(market="all") features = D.features( instruments, [factor_expr], start_time=start_time, end_time=end_time ) labels = D.features( instruments, [label_expr], start_time=start_time, end_time=end_time ) # 验证对齐 print(f"特征矩阵形状: {features.shape}") # [T, N, 1] print(f"标签矩阵形状: {labels.shape}") # [T, N, 1] # 提取单只股票 stock = "000001.SZ" feature_series = features.xs(stock, level="instrument").iloc[:, 0] label_series = labels.xs(stock, level="instrument").iloc[:, 0] # 验证对齐正确性 idx = feature_series.index[0] print(f"\n示例验证:") print(f"股票: {stock}") print(f"日期: {idx}") print(f"因子: {feature_series[idx]:.4f}") print(f"标签: {label_series[idx]:.4f}") ``` **Qlib的优势**： - 自动处理时间对齐 - 支持表达式系统 - 高效的增量计算 - 自动处理缺失值 ### 3.3 实现对比总结 | 维度 | Pandas | Qlib | |------|--------|------| | **易用性** | 中等 | 高（表达式系统） | | **性能** | 低（逐列计算） | 高（增量计算） | | **灵活性** | 高（任意操作） | 中等（算子约束） | | **可维护性** | 低（代码分散） | 高（声明式） | | **可回测性** | 低（易泄漏） | 高（强制因果） | --- ## 4. 不同Horizon的影响分析 ### 4.1 短期（h=1）：高频噪声问题 **优势**： - 信号时效性强：模型学到的是"最近"的信息 - 适合高频交易：可以快速调整持仓 - 交易机会多：每天都有新的预测 **劣势**： - 日内噪声严重：短期价格波动主要由随机噪声驱动 - IC波动大：因子表现不稳定，今天IC=0.05，明天IC=-0.02 - 交易成本高：频繁交易导致交易成本侵蚀收益 **IC分析**： 假设因子IC均值=0.03，标准差=0.1： $$ \text{IR} = \frac{0.03}{0.1} = 0.3 $$ IR < 0.5，说明因子不稳定。 **适用场景**： - 高频交易（分钟级、秒级） - 市场中性策略（对冲市场风险） - 流动性好的市场（如美股） **不适用场景**： - 流动性差的市场（如小盘股、新兴市场） - 交易成本高的策略（如期权、期货） - 长线投资 ### 4.2 中期（h=5）：信号稳定性 **优势**： - 信号稳定性好：IC均值较高，波动较小 - 噪声相对可控：5天内的价格波动有一定趋势 - 适合量化选股：可以选出表现较好的股票 **劣势**： - 周期性效应：可能受周效应、月效应影响 - 持仓周期中等：需要定期调仓（如每周调仓） **IC分析**： 假设因子IC均值=0.05，标准差=0.08： $$ \text{IR} = \frac{0.05}{0.08} = 0.625 $$ IR > 0.5，说明因子可用。 **适用场景**： - 量化选股（A股多因子策略） - 市场中性对冲基金 - 指数增强 ### 4.3 长期（h=20）：趋势主导 **优势**： - 趋势信号清晰：20天的价格波动主要由基本面驱动 - IC较高：长期来看，因子与收益相关性更强 - 适合价值投资：低频交易，交易成本低 **劣势**： - 对基本面变化反应慢：需要较长时间才能识别基本面变化 - 持仓周期长：需要长时间持有，可能错过短期机会 - 市场风格切换：如果市场风格切换，因子可能失效 **IC分析**： 假设因子IC均值=0.08，标准差=0.06： $$ \text{IR} = \frac{0.08}{0.06} = 1.33 $$ IR > 1.0，说明因子非常稳定。 **适用场景**： - 价值投资（低PE、高ROE） - 基本面投资 - 长线基金 ### 4.4 Horizon选择建议 **根据因子类型选择**： | 因子类型 | 推荐Horizon | 原因 | |---------|-------------|------| | 动量因子 | 1-5天 | 动量效应短期存在 | | 均值回归 | 5-20天 | 均值回归需要一定时间 | | 价值因子 | 20-60天 | 价值发现需要时间 | | 质量因子 | 20-60天 | 质量效应长期存在 | **根据交易频率选择**： | 交易频率 | 推荐Horizon | 原因 | |---------|-------------|------| | 高频（分钟级） | 1-5天 | 需要快速调整 | | 中频（日频） | 5-20天 | 平衡时效性和稳定性 | | 低频（周频/月频） | 20-60天 | 长线持有 | **根据市场特征选择**： | 市场特征 | 推荐Horizon | 原因 | |---------|-------------|------| | 流动性好 | 1-5天 | 可以快速调仓 | | 流动性差 | 20-60天 | 降低交易成本 | | 有效性高 | 20-60天 | 长期趋势清晰 | | 有效性低 | 1-5天 | 捕捉短期机会 | --- ## 5. 常见错误与调试 ### 5.1 Look-ahead Bias典型案例 **案例1：未来均值** **错误代码**： ```python # 计算20日均值，包含未来数据 df['ma20'] = df['price'].rolling(20).mean() # 问题：在t时刻，ma20包含了t+1到t+19的数据 ``` **正确代码**： ```python # 计算t-19到t的均值 df['ma20'] = df['price'].rolling(20, min_periods=20).mean().shift(1) ``` **案例2：未来波动率** **错误代码**： ```python # 计算20日波动率，包含未来数据 df['volatility'] = df['return'].rolling(20).std() ``` **正确代码**： ```python # 只用历史数据计算波动率 df['volatility'] = df['return'].rolling(20, min_periods=20).std().shift(1) ``` **案例3：未来相关性** **错误代码**： ```python # 计算与市场的相关性，包含未来数据 df['correlation'] = df['return'].rolling(20).corr(market_return) ``` **正确代码**： ```python # 只用历史数据计算相关性 df['correlation'] = df['return'].rolling(20, min_periods=20).corr(market_return).shift(1) ``` ### 5.2 检测方法 **方法1：IC突然变高** 如果训练集IC=0.05，但回测IC=0.5，说明可能存在Look-ahead Bias。 **方法2：回测夏普异常高** 如果策略回测夏普>5，说明可能存在Look-ahead Bias。 **方法3：因子与未来价格相关性** 检验因子是否与未来价格相关： ```python # 检测因子是否与未来价格相关 for lag in [-1, -2, -5, -10]: corr = df['factor'].shift(lag).corr(df['price']) print(f"Lag {lag}: {corr:.4f}") ``` 如果 `lag=-1` 的相关性显著大于其他lag，说明因子包含未来信息。 --- ## 6. 实盘vs回测的差异 ### 6.1 回测阶段 在回测阶段，我们有完整的历史数据： **流程**： 1. 加载历史数据（$t=1$ 到 $t=T$） 2. 计算 Label Shift：$\text{Label}_t = \text{Return}_{t \to t+h}$ 3. 训练模型：$\text{Model}(\text{Factor}_t) \to \text{Label}_t$ 4. 验证模型：计算IC、回测收益等 **关键**：Label Shift是可行的，因为我们有未来数据。 ### 6.2 实盘阶段 在实盘阶段，我们只有当前和过去的数据： **流程**： 1. 加载实时数据（$t=1$ 到 $t=\text{now}$） 2. 计算当前因子：$\text{Factor}_{\text{now}}$ 3. 预测未来收益：$\hat{\text{Label}}_{\text{now} \to \text{now}+h} = \text{Model}(\text{Factor}_{\text{now}})$ 4. 交易决策：根据预测进行交易 **关键**：Label不存在，我们只能预测。 ### 6.3 差异总结 | 维度 | 回测 | 实盘 | |------|------|------| | **数据完整性** | 有完整历史和未来数据 | 只有当前和过去数据 | | **Label可用性** | 可用（Label Shift） | 不可用（需要预测） | | **验证方式** | 可以验证预测准确性 | 只能等待h期后验证 | | **风险** | 过拟合风险 | 实盘失败风险 | --- ## 7. 总结 Horizon对齐（Label Shift）是量化投资中最基础、最核心的技术，它解决了"当前的因子如何对应未来的收益"这一根本问题。 ### 核心要点回顾 1. **Horizon定义**：预测时长 $h$，从 $t$ 到 $t+h$ 的时间跨度 2. **收益率公式**： - 离散收益率：$R_{t \to t+h} = (P_{t+h} - P_t) / P_t$ - 对数收益率：$r_{t \to t+h} = \ln(P_{t+h} / P_t)$ 3. **Label Shift**： - 错误对齐：$\{ \text{Factor}_t, \text{Return}_t \}$（Look-ahead Bias） - 正确对齐：$\{ \text{Factor}_t, \text{Return}_{t \to t+h} \}$（Label Shift） 4. **Pandas实现**：`df['label'] = df['return'].shift(-h)` 5. **Qlib实现**：`Expression(Ref($close, -h) / $close - 1)` 6. **Horizon选择**： - 短期（h=1）：高频噪声，IC不稳定 - 中期（h=5）：信号稳定，IC中等 - 长期（h=20）：趋势主导，IC较高 7. **常见错误**：Look-ahead Bias、未来均值、未来波动率等 8. **实盘vs回测**： - 回测：有完整数据，可以Label Shift - 实盘：只有当前数据，需要预测 ### 量化投资的核心思想 Horizon对齐的本质是**建立因果预测关系**： $$ \text{Cause (t)} \rightarrow \text{Effect (t+h)} $$ 而不是： $$ \text{Cause (t)} \leftrightarrow \text{Effect (t)} $$ 这个看似简单的技术，却是量化投资区别于"赌大小"的分水岭： - 赌大小：预测明天涨不涨（短期随机） - 量化投资：用当前因子预测未来收益（因果预测） 在下一文档中，我们将探讨另一个核心主题：从"预测绝对价格"到"预测相对强弱"的量化思维转变。