Kürzlich haben kanalunabhängige Methoden eine state-of-the-art-Leistung bei der Vorhersage multivariater Zeitreihen (MTS) erzielt. Obwohl diese Ansätze das Risiko einer Überanpassung verringern, verpassen sie potenzielle Chancen, die kanalabhängigen Beziehungen zur Verbesserung der Vorhersagegenauigkeit auszunutzen. Wir argumentieren, dass zwischen den Variablen lokal stationäre Vorlauf-Verzögerungs-Beziehungen bestehen, d. h., dass bestimmte verzögerte Variablen innerhalb eines kurzen Zeitraums den führenden Indikatoren folgen können. Die Ausnutzung solcher kanalabhängiger Abhängigkeiten ist vorteilhaft, da führende Indikatoren vorausschauende Informationen liefern, die zur Erleichterung der Vorhersage der verzögerten Variablen genutzt werden können. In diesem Paper stellen wir eine neue Methode namens LIFT vor, die zunächst effizient führende Indikatoren und deren Vorlaufschritte zu jedem Zeitpunkt schätzt und anschließend gezielt erlaubt, dass die verzögerten Variablen die vorausschauenden Informationen der führenden Indikatoren nutzen. LIFT fungiert als Plugin, das nahtlos mit beliebigen Zeitreihenvorhersagemethoden kombiniert werden kann. Umfangreiche Experimente an sechs realen Datensätzen zeigen, dass LIFT die state-of-the-art-Methoden im Durchschnitt um 5,5 % in der Vorhersageleistung verbessert. Unser Code ist unter https://github.com/SJTU-Quant/LIFT verfügbar.