← 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: descoberta causal em séries temporais criptográficas multivariadas
    Aug 18, 2026 #causal-inference

    PCMCI: descoberta causal em séries temporais criptográficas multivariadas

    Como o teste MCI de dois estágios do PCMCI recupera ligações causais direcionadas entre ativos criptográficos onde a correlação e o Granger bivariado não conseguem - a construção, o pipeline de tigramite e o estudo de dados reais que ainda precisa.
  4. 04
    Causal Forests para Efeitos de Tratamento Heterogêneos no Trading
    Aug 1, 2026 #causal-inference

    Causal Forests para Efeitos de Tratamento Heterogêneos no Trading

    Cada backtest neste blog estima uma média condicional. Causal forests estimam um efeito de tratamento condicional em vez disso — tau(x) em vez de mu(x) — com honest splitting, uma representação de pesos de kernel adaptativo, e um teste de calibração que lhe diz se a heterogeneidade que você encontrou é real.
  5. 05
    Double Machine Learning: Estimando um Parâmetro Causal em Vez de Prever Retornos
    Aug 2, 2026 #causal-inference

    Double Machine Learning: Estimando um Parâmetro Causal em Vez de Prever Retornos

    Todos os modelos neste blog até agora respondem 'o que prediz o quê'. Double ML responde 'o que causa o quê' — com um erro padrão que você pode defender. O modelo parcialmente linear, ortogonalidade de Neyman, cross-fitting purgado em dados de livro de ordens e um relato honesto de por que um intervalo de confiança DML válido sobrevive exatamente a uma pergunta pré-especificada.
  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
    Métodos de controle sintético para avaliar estratégias de negociação
    Aug 21, 2026 #causal-inference

    Métodos de controle sintético para avaliar estratégias de negociação

    Esta série precificou a rota de seleção até uma vantagem falsa - o DSR avalia o vencedor, o PBO avalia a pesquisa. Nenhum dos dois toca em confusão: a estratégia que rendeu dinheiro porque a volatilidade dobrou na semana em que você a implementou. O Método de Controle Sintético constrói um cenário contrafactual ponderado a partir de um conjunto de doadores de instrumentos intocados e fornece um critério de falsificação e um valor p placebo.