في الآونة الأخيرة، حققت الطرق المستقلة عن القنوات أداءً متفوقًا على المستوى الحالي في تنبؤ السلاسل الزمنية المتعددة المتغيرات (MTS). وعلى الرغم من تقليل مخاطر التكيف الزائد (overfitting)، فإن هذه الطرق تفوت فرصًا محتملة في استغلال الاعتماد بين القنوات لتحقيق تنبؤات أكثر دقة. نحن نرى أن هناك علاقات محورية-تأخرية ثابتة محليًا بين المتغيرات، أي أن بعض المتغيرات المتأخرة قد تتبع المؤشرات القيادية خلال فترة زمنية قصيرة. ويُعد استغلال هذا الاعتماد بين القنوات مفيدًا، لأن المؤشرات القيادية توفر معلومات مسبقة يمكن استخدامها لتقليل صعوبة التنبؤ بالمتغيرات المتأخرة. في هذه الورقة، نقترح طريقة جديدة تُسمى LIFT، والتي تُقدّم أولاً تقديرًا فعّالًا للمؤشرات القيادية وخطوات التقدم الخاصة بها في كل خطوة زمنية، ثم تسمح بذكاء للمتغيرات المتأخرة باستغلال المعلومات المسبقة التي توفرها المؤشرات القيادية. تُستخدم LIFT كمكوّن مُدمج (plugin) يمكن دمجه بسلاسة مع أي طريقة تنبؤية للسلاسل الزمنية. أظهرت التجارب الواسعة على ستة مجموعات بيانات واقعية أن LIFT تحسن الأداء المتوسط للطرق المتفوقة حاليًا بنسبة 5.5%. يُمكن الاطلاع على الكود الخاص بنا عبر الرابط: https://github.com/SJTU-Quant/LIFT.