← 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: Causale ontdekking in multivariate crypto-tijdreeksen
    Aug 18, 2026 #causal-inference

    PCMCI: Causale ontdekking in multivariate crypto-tijdreeksen

    Hoe de tweetraps MCI-test van PCMCI gerichte causale verbanden tussen crypto-activa herstelt waar correlatie en bivariate Granger dat niet kunnen: de constructie, de tigramietpijplijn en het onderzoek naar echte gegevens die het nog steeds nodig heeft.
  4. 04
    Causal Forests voor heterogene behandelings-effecten in trading
    Aug 1, 2026 #causal-inference

    Causal Forests voor heterogene behandelings-effecten in trading

    Elke backtest op deze blog schat een voorwaardelijk gemiddelde. Causal forests schatten in plaats daarvan een voorwaardelijk behandelingseffect — tau(x) in plaats van mu(x) — met honest splitting, een adaptieve kernel gewichtsrepresentatie, en een calibratietest die je vertelt of de gevonden heterogeniteit echt is.
  5. 05
    Double Machine Learning: Een Causale Parameter Schatten in Plaats van Returns Voorspellen
    Aug 2, 2026 #causal-inference

    Double Machine Learning: Een Causale Parameter Schatten in Plaats van Returns Voorspellen

    Alle modellen in deze blog tot nu toe beantwoorden 'wat voorspelt wat'. Double ML beantwoordt 'wat veroorzaakt wat' — met een standaardfout die je kunt verdedigen. Het gedeeltelijk lineaire model, Neyman-orthogonaliteit, purged cross-fitting op orderbook-data en een eerlijk verslag van waarom een geldig DML betrouwbaarheidsinterval precies één vooraf gespecificeerde vraag overleeft.
  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 controlemethoden voor het evalueren van handelsstrategieën
    Aug 21, 2026 #causal-inference

    Synthetische controlemethoden voor het evalueren van handelsstrategieën

    Deze serie heeft de selectieroute tot een vals voordeel geprijsd: DSR prijst de winnaar, PBO prijst de zoektocht. Geen van beide heeft betrekking op verwarring: de strategie die geld opleverde omdat de volatiliteit verdubbelde in de week dat u deze gebruikte. De Synthetic Control Method bouwt een gewogen contrafeitelijk onderzoek op uit een donorpool van onaangeroerde instrumenten en geeft u een vervalsingscriterium en een placebo-p-waarde.