← 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 per effetti di trattamento eterogenei nel trading
    Aug 1, 2026 #causal-inference

    Causal Forests per effetti di trattamento eterogenei nel trading

    Ogni backtest in questo blog stima una media condizionale. I causal forests stimano un effetto di trattamento condizionale invece — tau(x) invece di mu(x) — con honest splitting, una rappresentazione di pesi kernel adattivi e un test di calibrazione che ti dice se l'eterogeneita che hai trovato è reale.
  5. 05
    Double Machine Learning: Stimare un Parametro Causale Invece che Prevedere i Ritorni
    Aug 2, 2026 #causal-inference

    Double Machine Learning: Stimare un Parametro Causale Invece che Prevedere i Ritorni

    Ogni modello in questo blog finora risponde 'cosa predice cosa'. Double ML risponde 'cosa causa cosa' — con un errore standard che puoi difendere. Il modello parzialmente lineare, ortogonalita di Neyman, cross-fitting purgato sui dati del order book e un resoconto onesto del perche un intervallo di confidenza DML valido sopravvive esattamente a una domanda pre-specificata.
  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
    Metodi di controllo sintetico per la valutazione delle strategie di trading
    Aug 21, 2026 #causal-inference

    Metodi di controllo sintetico per la valutazione delle strategie di trading

    Questa serie ha valutato il percorso di selezione fino a un falso limite: il DSR valuta il vincitore, il PBO valuta la ricerca. Nessuno dei due tocca la confusione: la strategia che ha fatto soldi perché la volatilità è raddoppiata nella settimana in cui l'hai implementata. Il metodo di controllo sintetico crea un controfattuale ponderato da un pool di donatori di strumenti intatti e fornisce un criterio di falsificazione e un valore p placebo.