← 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
    Forêts causales pour effets de traitement hétérogènes dans le trading
    Aug 1, 2026 #causal-inference

    Forêts causales pour effets de traitement hétérogènes dans le trading

    Chaque backtest sur ce blog estime une moyenne conditionnelle. Les forêts causales estiment un effet de traitement conditionnel à la place — tau(x) plutôt que mu(x) — avec un splitting honnête, une représentation de poids de noyau adaptatif et un test de calibration qui vous dit si l'hétérogénéité que vous avez trouvée est réelle.
  5. 05
    Double Machine Learning : Estimer un Paramètre Causal au lieu de Prédire les Rendements
    Aug 2, 2026 #causal-inference

    Double Machine Learning : Estimer un Paramètre Causal au lieu de Prédire les Rendements

    Tous les modèles de ce blog répondent jusqu'à présent 'qu'est-ce qui prédit quoi ?'. Double ML répond 'qu'est-ce qui cause quoi ?' — avec une erreur standard que vous pouvez défendre. Le modèle partiellement linéaire, l'orthogonalité de Neyman, le cross-fitting purgé sur les données de carnet d'ordres et un compte rendu honnête de la raison pour laquelle un intervalle de confiance DML valide survit à exactement une question prédéfinie.
  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
    Méthodes de contrôle synthétiques pour évaluer les stratégies de trading
    Aug 21, 2026 #causal-inference

    Méthodes de contrôle synthétiques pour évaluer les stratégies de trading

    Cette série a évalué la voie de sélection à un faux avantage : le DSR fixe le prix du gagnant, le DPB fixe le prix de la recherche. Ni l’une ni l’autre ne touche à la confusion : la stratégie qui a rapporté de l’argent parce que la volatilité a doublé la semaine où vous l’avez déployée. La méthode de contrôle synthétique construit un contrefactuel pondéré à partir d'un pool de donneurs d'instruments intacts et vous donne un critère de falsification et une valeur p placebo.