트레이딩에서 이질적 치료 효과를 위한 인과관계 포레스트

이 블로그의 모든 예측 모델은 동일한 객체를 추정합니다: 조건부 평균 $\mu(\mathbf{x}) = \mathbb{E}[Y \mid \mathbf{X} = \mathbf{x}]$입니다. 피처 엔지니어링, 그래디언트 부스팅, 컨포멀 인터벌, 워크-포워드 검증 — 모두 하나의 추정량을 위합니다. 이 기사는 다른 추정량과 이것을 교체할 때 변경되는 기계에 관한 것입니다.

객체는 조건부 평균 치료 효과입니다:

$$\tau(\mathbf{x}) = \mathbb{E}[Y_i(1) - Y_i(0) \mid \mathbf{X}_i = \mathbf{x}]$$

동일한 단위에 대한 두 잠재적 결과의 차이 — 그중 하나는 결코 관찰하지 않습니다. 당신은 그것에 대해 회귀할 수 없습니다, 왜냐하면 그것은 당신의 데이터에 없기 때문입니다. 인과관계 포레스트(Athey와 Imbens 2016; Wager와 Athey 2018)는 비모수적으로 이를 추정하고 놀랍게도 유효한 신뢰 구간을 제공합니다.

이것을 가능하게 하는 세 가지가 있으며 그 중 어느 것도 표준 랜덤 포레스트에는 존재하지 않습니다: 예측 오차를 최소화하는 대신 치료 효과 분산을 최대화하는 분할 기준, 분할을 선택하고 그 안의 효과를 추정하기 위해 동일한 관찰을 사용하는 것을 금지하는 정직성 제약, 그리고 잎 공존을 추정 가중치로 변환하는 적응형 커널로서 포레스트의 재판독이. 이 세 가지와 발견된 이질성이 신호인지 알려주는 보정 테스트가 이 기사의 내용입니다.

평균 효과에서 이질적 효과로

인과관계 포레스트: 알고리즘

Double Machine Learning 연결

트레이딩 응용: 이벤트 영향의 이질성

EconML로 Python 구현

핵심 가정 및 진단

이진 치료를 넘어

실질적 고려사항

결론

참고문헌