Kesan Rawak Heterogen untuk Dagangan menggunakan Causal Forests

Setiap model ramalan dalam blog ini menganggar objek yang sama: min bersyarat $\mu(\mathbf{x}) = \mathbb{E}[Y \mid \mathbf{X} = \mathbf{x}]$. Kejuruteraan ciri, penguatan kecerunan, selang sejati, pengesahan walk-forward — semuanya melayani satu estimand. Artikel ini adalah tentang estimand yang berbeza dan mesin yang berubah apabila anda menukarnya.

Objek adalah kesan rawak purata bersyarat:

perbezaan antara dua keputusan potensi untuk unit yang sama — yang tidak akan anda perhatikan. Anda tidak boleh membuat regresi ke atasnya, kerana ia tidak ada dalam data anda. Causal forests (Athey dan Imbens 2016; Wager dan Athey 2018) menganggarnya secara bukan-parametrik dan, luar biasa, memberikan selang keyakinan yang sah di sekelilingnya.

Tiga perkara menjadikan ini mungkin dan tidak ada satupun wujud dalam hutan rawak piawai: kriteria pemisahan yang memaksimumkan varians kesan rawak dan bukannya meminimumkan ralat ramalan, kekangan kejujuran yang melarang menggunakan pemerhatian yang sama untuk memilih pemisahan dan menganggar kesan di dalamnya, dan bacaan semula hutan sebagai kernel adaptif yang menukar kejadian daun kepada berat anggaran. Ketiga-tiga ini, tambahan ujian kalibrasi yang memberitahu anda sama ada heterogenitas yang anda jumpa adalah isyarat, adalah kandungan artikel ini.

Daripada Kesan Purata kepada Kesan Heterogen

Causal Forests: Algoritma

Sambungan Double Machine Learning

Aplikasi Perdagangan: Heterogeniti Impak Acara

Pelaksanaan Python dengan EconML

Anggapan Utama dan Diagnostik

Melampaui Rawak Binari

Pertimbangan Praktikal

Kesimpulan

Rujukan