← All Collections
🔬 7 parts

Causality & Lead-Lag in Markets

Who moves whom — Granger causality, transfer entropy, PCMCI discovery, and the causal ML toolbox (double ML, causal forests, synthetic control) applied to crypto markets.

  1. 01
    Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?
    Aug 7, 2026 #causal-inference

    Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?

    Granger causality on crypto prices done two ways — differenced returns and Toda-Yamamoto on levels — with a correct Wald implementation, an effective-N corrected causality matrix, and a rolling-stability test of whether the lag is tradeable at all.
  2. 02
    Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
    Aug 24, 2026 #causal-inference

    Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?

    DCC-GARCH tells you when crypto dependence tightens. Transfer entropy tells you which way it points. A directed information-flow measure, its null calibration, and an honest account of what it does and does not add over average pairwise correlation.
  3. 03
    PCMCI: Causal Discovery in Multivariate Crypto Time Series
    Aug 18, 2026 #causal-inference

    PCMCI: Causal Discovery in Multivariate Crypto Time Series

    How PCMCI's two-stage MCI test recovers directed causal links between crypto assets where correlation and bivariate Granger cannot — the construction, the tigramite pipeline, and the real-data study it still needs.
  4. 04
    Causal Forests für heterogene Behandlungseffekte im Trading
    Aug 1, 2026 #causal-inference

    Causal Forests für heterogene Behandlungseffekte im Trading

    Jedes Backtest in diesem Blog schätzt einen bedingten Mittelwert. Causal Forests schätzen stattdessen einen bedingten Behandlungseffekt — tau(x) statt mu(x) — mit honest splitting, einer adaptiven Kernel-Gewichtsdarstellung und einem Kalibrierungstest, der Ihnen sagt, ob die gefundene Heterogenität echt ist.
  5. 05
    Double Machine Learning: Einen Kausalen Parameter Schätzen, Statt Renditen Vorhusagen
    Aug 2, 2026 #causal-inference

    Double Machine Learning: Einen Kausalen Parameter Schätzen, Statt Renditen Vorhusagen

    Jedes Modell in diesem Blog beantwortet bislang 'was sagt was voraus?'. Double ML beantwortet 'was verursacht was?' — mit einem Standardfehler, den Sie verteidigen können. Das partiell lineare Modell, Neyman-Orthogonalität, purgiertes Cross-Fitting auf Orderbuchdaten und eine ehrliche Darstellung, warum ein gültiges DML-Konfidenzintervall genau einer vorab spezifizierten Frage standhält.
  6. 06
    The Other Way a Regression Lies: Endogeneity, 2SLS, and the Gamma Calibration Problem
    Aug 10, 2026 #causal-inference

    The Other Way a Regression Lies: Endogeneity, 2SLS, and the Gamma Calibration Problem

    Selection bias in the search is not the only way a regression fools you. When the regressor is correlated with the error, more data makes the estimate more confidently wrong. Instrumental variables applied to the one endogeneity problem this blog has already left open: permanent impact from net taker flow.
  7. 07
    Synthetische Kontrollmethoden zur Bewertung von Handelsstrategien
    Aug 21, 2026 #causal-inference

    Synthetische Kontrollmethoden zur Bewertung von Handelsstrategien

    Diese Serie hat den Preis für den Auswahlweg falsch bewertet – DSR bewertet den Gewinner, PBO bewertet die Suche. Beides ist nicht verwirrend: die Strategie, die Geld verdiente, weil sich die Volatilität in der Woche, in der Sie sie einsetzten, verdoppelte. Die synthetische Kontrollmethode erstellt ein gewichtetes Kontrafaktum aus einem Spenderpool unberührter Instrumente und liefert Ihnen ein Falsifikationskriterium und einen Placebo-p-Wert.