Market Impact Estimation via Causal Foundation Models

Khi một nhà giao dịch thực hiện một lệnh lớn, câu hỏi thực sự không phải là \emph{giá sẽ ở mức nào?} mà là \emph{giá đã ở mức nào nếu tôi chưa giao dịch?}. Tác động thị trường vì vậy là một đại lượng nhân quả, tuy nhiên các mô hình cổ điển (Almgren--Chriss, propagators) đưa ra hồi quy giáa trên khối lượng giao dịch, điều này bị thiên lệch bất cứ khi nào khối lượng giao dịch thông tin di chuyển giá thông qua thông tin cũng như giao dịch. Chúng tôi trình bày một \emph{Mô phỏng thị trường nhân quả} khái niệm: một mạng PFN (prior-data fitted network) thời gian liên tục được huấn luyện trên một prior thị trường t合成 trong đó một dòng thông tin ẩn làm cho mối quan hệ giữa khối lượng giao dịch và giá bị nhầm lẫn bởi thiết kế, với độ mạnh nhầm lẫn là một con số chính xác cho mỗi tập. Trên prior này, độ thiên lệch của ước lượng thuần nhất tuân theo dạng đóng theo công thức chúng tôi xác nhận một cách thực nghiệm (lên đến 68% thẩm định), trong khi PFN theo dõi tham số oracle không bị thiên lệch tại mức nhầm lẫn cao. \emph{Đôi sinh đường bị xóa bỏ do can thiệp}, cùng một mô hình nhưng với các đầu vào can thiệp đã bị xóa, sụp đổ lên trung bình cửa sổ trước.