Synthetic Control Methods for Evaluating Trading Strategies

Бул серия жалган артыкчылыктын бир булагына — тандоого — көп көңүл бурду. Дефляцияланган Шарп коэффициенти издөөдөгү жеңүүчүнү баалайт. Бэктесттин ашыкча ылайыкталыш ыктымалдыгы издөө процессинин өзүнө баа берет. Туруктуу артыкчылык жок экенин чынчыл көрсөтүү бул эки ыкма соода кылгыңыз келген стратегияга каршы чыкканда эмне кылуу керектигин түшүндүрөт. Бул аппараттар бир суроого жакшы жооп берет: муну көп жолу издегеним үчүн таап алдымбы?

Бирок алар экинчи, таптакыр өзүнчө жолду — конфаунингди, башкача айтканда аралаштыруучу факторлорду — камтыбайт. Сиз бир нерсени өзгөрттүңүз: жаңы аткаруу алгоритмин киргиздиңиз, параметрди алмаштырдыңыз же режимге жараша иштөөнү өзгөрттүңүз; натыйжа жакшырды. Издөө болгон жок, көп жолку тест маселеси да жок. Ошентсе да бул жакшыруу сиз киргизген өзгөрүүгө тиешеси жок болушу мүмкүн: мисалы, туруксуздук система ишке кирген жумада эки эсеге көбөйгөн. Сиз бир гана тест жүргүзгөндүктөн, тесттердин саны үчүн оңдолгон дефляция муну кармай албайт.

Abadie жана Gardeazabal (2003) сунуштап, Abadie, Diamond жана Hainmueller (2010, 2015) өнүктүргөн Синтетикалык контрол ыкмасы (SCM) конфаунингге түздөн-түз каршы иштейт. Ал контрфактуалдык сценарийди — сиз таасир этпеген* инструменттердин салмакталган айкалышын — түзөт. Бул айкалыш таасирленген инструментке кийлигишүүгө чейин мүмкүн болушунча окшош траектория менен тандалат. Кийлигишүүдөн кийинки экөөнүн айырмасы эффекттин баасы болот. Эң маанилүүсү, SCM ишенимдүү контрфактуал түзө албаган учурду көрсөткөн фальсификация критерийин жана асимптотикалык бөлүштүрүүгө таянбаган пермутациялык p-маанини кошо берет.

Эмне үчүн айкын альтернативалар жетишсиз

Интервенцияга чейинки жана кийинки көрсөткүчтөрдү гана салыштыруу ошол күнү өзгөргөн башка факторлорду интервенция менен аралаштырат. Жалгыз эталондук инструмент да жетишсиз: бир да актив сиздикине так дал келбейт. Бул бир инструменттин тузагы башка жактан көрүнүшү: бир инструменттин өзгөчө түзүмү соода артыкчылыгын жасалма көрсөтүшү мүмкүн болгондой эле, анын өзгөчө түзүмү контролду да жасалма көрсөтүшү мүмкүн. SCMдин донорлор тобу бул маселеге формалдуу жооп берет: бир салыштырма активди тандабай, интервенцияга чейинки маалыматтарга ылайык алардын салмакталган себетин түзүүгө мүмкүндүк берет.

Айырмачылык бир сүйлөм менен түшүндүрүлбөйт. DiD таасирленген бирдиктин өзгөрүшүн контролдук топтун өзгөрүшү менен салыштырып, эффектти параллелдүү тенденциялар божомолунда гана аныктайт: кийлигишүү болбогондо эки топ бирдей багытта жылмак. Финансы рынокторунда бул божомол көп учурда негизсиз — активдер бета, туруксуздук режими жана ликвиддүүлүк боюнча айырмаланат, ошондуктан алардын салыштырма траекториялары ажырайт. SCM параллелдүү тенденцияны алдын ала кабыл алуунун ордуна контролду өзү курат да, анын тарыхый дал келишин өлчөйт. Эгер дал келүү начар болсо, ыкма сизге токтоп, эффектти чечмелебөөнү айтат.

Метод

Орнотуу жана белгилер

Келгиле, $J + 1$ бирдикти (активдерди, стратегияларды же портфелдерди) $T$ мезгил ичинде байкалган деп карайлы. 1-бирдик — сиз кийлигишкен актив же стратегия — таасирленген бирдик. $2, \ldots, J+1$ бирдиктери салыштырылуучу, таасирленбеген бирдиктердин донорлор тобун түзөт.

$Y_{1t}^I$ — $t$ учурда таасирленген бирдик үчүн кийлигишүү болгон шарттагы натыйжа, ал эми $Y_{1t}^N$ — кийлигишүү болбогондогу натыйжа болсун. $t > T_0$ учурундагы таасир эффекти төмөнкүдөй:

$\tau_{1t} = Y_{1t}^I - Y_{1t}^N$

Биз $Y_{1t}^I$ ни түздөн-түз байкайбыз. Маселе $Y_{1t}^N$ ни баалоодо.

Синтетикалык башкарууну куруу

SCM $Y_{1t}^N$ ни донорлордун салмакталган натыйжаларынын суммасы катары баалайт:

$\hat{Y}_{1t}^N = \sum_{j=2}^{J+1} w_j \, Y_{jt}$

Бул жерде салмак вектору $\mathbf{w} = (w_2, \ldots, w_{J+1})'$ $w_j \geq 0$ шартын ар бир $j$ үчүн жана $\sum_j w_j = 1$ шартын канааттандырат.

Бул эки чектөө маанилүү. Алар синтетикалык контролду донорлордун томпок айкалышы болууга мажбурлап, маалыматтардын колдоосунан тышкары экстраполяцияга жол бербейт. Чектөөсүз регрессия бир монетадагы 3,4x узун позициядан жана экинчисиндеги 2,4x кыска позициядан турган контрфактуал түзүшү мүмкүн: сан жагынан интервенцияга чейинки мезгилге мыкты дал келет, бирок экономикалык мааниси жок. Томпоктук чектөө контрфактуалды чечмеленүүчү кылат жана адатта бир нече донорго гана нөлдөн чоң салмак берет.

Оптималдуу салмак тандоо

Салмактар интервенцияга чейинки мезгилде таасирленген бирдик менен синтетикалык контролдун ортосундагы аралыкты азайтуу үчүн тандалат:

$\min_{\mathbf{w}} \| \mathbf{X}_1 - \mathbf{X}_0 \mathbf{w} \|_V = \min_{\mathbf{w}} (\mathbf{X}_1 - \mathbf{X}_0 \mathbf{w})' \mathbf{V} (\mathbf{X}_1 - \mathbf{X}_0 \mathbf{w})$

Бул жерде $\mathbf{X}_1$ — таасирленген бирдиктин интервенцияга чейинки мүнөздөмөлөрүнүн $(k \times 1)$ вектору, $\mathbf{X}_0$ — донорлор тобунун ошондой эле мүнөздөмөлөрүнүн $(k \times J)$ матрицасы, ал эми $\mathbf{V}$ — ар бир предикторго маани берген, оң жарым-аныкталган $(k \times k)$ диагоналдык матрица.

$\mathbf{V}$ кайчылаш текшерүү аркылуу тандалат: $\mathbf{V}$ ушундай тандалат, анын натыйжасында алынган $\mathbf{w}^*(\mathbf{V})$ интервенцияга чейинки мезгилде натыйжа өзгөрмөсүнүн орточо квадраттык болжолдоо катасын (MSPE) азайтат. Демек, тышкы цикл $\mathbf{V}$ ни, ички чектелген оптималдаштыруу болсо $\mathbf{w}$ ни табат.

Соода тиркемелери үчүн божомолдоочу өзгөрмөлөр

Abadie жана башкалар колдонгон киши башына ИДП менен өнөр жай курамынын ордуна соода колдонмолорунда төмөнкү предикторлор ылайыктуу:

• Кирешелүүлүк мүнөздөмөлөрү: орточо киреше, туруксуздук, асимметрия, интервенцияга чейинки куртозис
• Ликвиддүүлүк көрсөткүчтөрү: орточо спред, күнүмдүк көлөм, Amihud ликвидсиздик коэффициенти
• Микроструктура белгилери: буйрутма агымынын дисбалансы, соодалардын келүү ылдамдыгы, котировканын соодага катышы
• Фактордук таасирлер: рынокко карата бета, импульс, нарк жана туруксуздук факторлору
• Лагдык натыйжалар: интервенцияга чейинки бир нече күндүн жыйынды PnL маанилери

Лагдык натыйжалар өзгөчө маанилүү. Abadie жана башкалар (2010) синтетикалык контрол интервенцияга чейинки узак терезеде лагдык натыйжалар боюнча таасирленген бирдикке дал келсе, анда ал сызыктуу фактордук моделде байкалбаган баш аламан факторлорду кыйыр түрдө да көзөмөлдөй турганын көрсөтөт. Бул ыкманын күчү ушунда: PnLди жараткан конфаундерди аташыңыз шарт эмес, ага дуушар болгон донорлорду табуу жетиштүү.

Кайда колдонулат

1-сценарий: Жаңы аткаруу алгоритмин баалоо

Сиз бир инструментке жаңы TWAP графигин киргизип, анын ишке ашыруу чыгымына таасирин баалагыңыз келет. Метрика менен алгоритмдердин үй-бүлөсү башка материалдарда кеңири түшүндүрүлгөн — чыгымдарды ажыратуу үчүн implementation shortfall жана TCA, ал эми алгоритмдердин өзү үчүн TWAP/VWAP/POV алгоритмдери караңыз. SCM бул жерде баалоонун кийинки катмары: донорлор тобунда ошол эле терезеде эски алгоритм менен иштеген окшош инструменттер калат. Ошентип, рыноктук спред же көлөм өзгөрсө, ал таасирленген жана донор бирдиктерге тең таасир этет.

Интервенцияга чейинки мезгил: алмаштырууга чейин 60 соода күнү. Интервенциядан кийинки мезгил: андан кийинки 30 соода күнү. Эффекттин баасы — ажырым:

$\hat{\tau}_{1t} = Y_{1t}^{\text{actual}} - \hat{Y}_{1t}^{\text{synthetic}}, \quad t > T_0$

Эгер жаңы пландоочу чыгымды чындап азайтса, анда $\hat{\tau}_{1t} < 0$ мааниси $T_0$ ден кийин туруктуу болушу керек. Андан да маанилүүсү, таасирленген бирдиктин ажырымы донорлордун ажырымдар булутунан тышкары турушу зарыл.

2-сценарий: Рыноктук окуянын таасири

Төлөм графигинин өзгөрүшү, листингдеги жаңы белги, транзакция салыгы же автоматтык өчүргүч эрежесинин өзгөрүшү бир рынокко гана киргизилиши мүмкүн. Таасирленген бирдик — ошол рыноктогу стратегияңыз; донорлор тобу — өзгөрүү кирбеген ошол эле жуптардын рыноктору. Аткаруу комиссияларынын таасири үчүн мейкер-алуучу жыйымдар жана жеңилдиктер материалын караңыз. SCM "өзгөрүүдөн кийин толтуруулар начарлады" дегенди нөлгө каршы текшерилүүчү баага айлантат.

3-сценарий: Режим-шарттуу стратегияны алмаштыруу

Сиз режимди аныктоо сигналын колдонуп стратегияны алмаштырасыз. Алмаштыруу чындап натыйжа бердиби? Донорлор тобуна сигнал берилгени менен стратегиясы алмашпаган окшош активдерди кошуңуз. Бирок маанилүү тузак бар: эгер режим сигналы бүт рынокто бир убакта иштесе, донорлор да таасирленет жана дизайн бузулат. Төмөнкү донорлорду тандоо эрежесин караңыз.

Плацебо тесттери жана тыянак чыгаруу

SCMдеги тыянак пермутацияга негизделет. Жабык формадагы бөлүштүрүүгө таянбай, кайра үлгүлөө аркылуу эмпирикалык нөлдү түзүү идеясы Монте-Карло жана бэктесттер үчүн бутстрэп ыкмаларында жалпы түшүндүрүлгөн; төмөндөгү ыкма SCMге атайын ылайыкташтырылган.

Убактылуу плацебо

Интервенция күнүн алдын ала мезгилдин ортосуна жылдырып, процедураны кайра иштетиңиз. Эгер эч нерсе болбогон күнгө коюлган жалган датада SCM "таасир эффектин" тапса, анда ал интервенцияны эмес, мурда эле башталган ажырымды кармап жатат. Ишенимдүү синтетикалык контрол жалган интервенция даталарында эффект көрсөтпөшү керек.

Космостук плацебо (пермутация тести)

Ар бир донорду кезеги менен таасирленген бирдик катары алып, SCM процедурасын толугу менен колдонуңуз:

1. Ар бир донор $j$ үчүн калган донорлордон жана баштапкы таасирленген бирдиктен синтетикалык контрол түзүңүз.
2. Интервенциядан кийинки ажырымды эсептеңиз: $\text{gap}_{jt} = Y_{jt} - \hat{Y}_{jt}^{\text{synth}}$.
3. Таасирленген бирдиктин ажырымын плацебо ажырымдарынын бөлүштүрүлүшү менен салыштырыңыз.

p-маани төмөнкү рангдын үлүшү катары эсептелет:

$p = \frac{\text{rank of treated unit's post/pre MSPE ratio}}{J + 1}$

мында

$\text{MSPE ratio} = \frac{\text{MSPE}_{\text{post}}}{\text{MSPE}_{\text{pre}}} = \frac{\frac{1}{T - T_0} \sum_{t > T_0} (Y_{1t} - \hat{Y}_{1t}^N)^2}{\frac{1}{T_0} \sum_{t \leq T_0} (Y_{1t} - \hat{Y}_{1t}^N)^2}$

Чийки интервенциядан кийинки ажырымга караганда бул катыш туура статистика: мурда эч качан жакшы дал келбеген донор интервенцияга тиешеси жок себептерден улам чоң кийинки ажырым көрсөтүшү мүмкүн. Аны интервенцияга чейинки MSPEге бөлүү дал ушул көйгөйдү жазалайт.

Бул Дефляцияланган Шарп коэффициенти колдонгон тыянак чыгаруу логикасы менен бирдей: талапкериңизди эч качан нөл менен эмес, эмпирикалык түзүлгөн салыштыруу бөлүштүрүүсү менен салыштырыңыз. DSR жеңүүчүңүздү сыноолордогу эң мыкты-N нөлдүк жыйынтыкка каршы коёт; SCM таасирленген бирдикти бирдиктер боюнча нөлдүк бөлүштүрүүгө каршы коёт. Баалоочу башка болгону менен тартип бирдей, эскертүү да ошол бойдон: $J = 15$ донордо жетүүгө боло турган эң кичине p-маани $1/16 \approx 0.06$. Пермутациялык тест өзүнүн дискреттүүлүгүнөн өтө албайт, демек донорлор тобу кичине болсо, эффект канчалык чоң көрүнбөсүн, билдире ала турган маанилүүлүгүңүз чектелет.

Практикалык чыпкалоо

Abadie жана башкалар интервенцияга чейинки дал келүүсү начар плацебо бирдиктерин алып салууну сунуштайт: алардын алдын ала MSPEси таасирленген бирдиктикине караганда $k$ эсе чоң болсо, мында $k$ адатта 2ден 20га чейин алынат. Начар дал келген плацеболордун бөлүүчүсү өтө кичине болуп, MSPE катышын ашыкча чоңойтот; натыйжада салыштыруу бөлүштүрүүсү булганып, таасирленген бирдик кадимкидей көрүнөт. Катышты бир нече босогодо отчет кылыңыз. Эгер p-маани бир гана $k$ маанисинде маанилүү болсо, анда эффект эмес, жөндөө параметрин тапкан болосуз.

Ишке ашыруу

Төмөнкү код механика түшүнүктүү болушу үчүн numpy менен scipy гана колдонот. Өндүрүштүк альтернативалар — SparseSC (Microsoft Research), pysyncon жана SyntheticControlMethods — четки учурларды иштетип, жакшыраак масштабдалат.

Предикторлор матрицасын түзүү

import numpy as np
import pandas as pd
from scipy.optimize import minimize


def build_predictors(series: pd.Series, T0: int) -> np.ndarray:
    """
    Extract predictor vector from pre-intervention data.
    Features: mean return, volatility, skewness, kurtosis,
              plus lagged outcome values at regular intervals.
    """
    pre = series.iloc[:T0]
    daily_ret = pre.diff().dropna()

    stats = [
        daily_ret.mean(),
        daily_ret.std(),
        daily_ret.skew(),
        daily_ret.kurtosis(),
    ]

    lag_indices = np.linspace(0, T0 - 1, 5, dtype=int)
    lags = pre.iloc[lag_indices].values.tolist()

    return np.array(stats + lags)

df here is a panel of cumulative returns — treated unit in column 0, donors in the rest, one row per bar. Use cumulative returns, not price levels.

X1 = build_predictors(df["Treated"], T0).reshape(-1, 1)   # (k x 1)
X0 = np.column_stack([                                    # (k x J)
    build_predictors(df[col], T0) for col in df.columns[1:]
])

Салмакты оптималдаштыруу

def solve_weights(
    X1: np.ndarray,
    X0: np.ndarray,
    Y1_pre: np.ndarray,
    Y0_pre: np.ndarray,
) -> np.ndarray:
    """
    Solve for optimal synthetic control weights.

    Nested optimization:
      Outer: optimize V (predictor importance)
      Inner: optimize w (donor weights) given V
    """
    k = X1.shape[0]
    J = X0.shape[1]

    def solve_w_given_V(V_diag: np.ndarray) -> np.ndarray:
        """Inner: find w minimizing weighted predictor distance."""
        V = np.diag(V_diag)

        def objective(w):
            gap = X1.flatten() - X0 @ w
            return gap @ V @ gap

        constraints = {"type": "eq", "fun": lambda w: np.sum(w) - 1.0}
        bounds = [(0, 1)] * J
        w0 = np.ones(J) / J

        result = minimize(objective, w0, method="SLSQP",
                         bounds=bounds, constraints=constraints,
                         options={"maxiter": 1000, "ftol": 1e-12})
        return result.x

    def outer_objective(V_diag: np.ndarray) -> float:
        """Outer: minimize pre-period MSPE given V."""
        w = solve_w_given_V(np.abs(V_diag))
        return np.mean((Y1_pre - Y0_pre @ w) ** 2)

    V0 = np.ones(k)
    result = minimize(outer_objective, V0, method="Nelder-Mead",
                     options={"maxiter": 5000, "xatol": 1e-8})

    return solve_w_given_V(np.abs(result.x))


Y1_pre = df["Treated"].iloc[:T0].values
Y0_pre = df.iloc[:T0, 1:].values
weights = solve_weights(X1, X0, Y1_pre, Y0_pre)

for col, w in zip(df.columns[1:], weights):
    if w > 0.01:
        print(f"  {col}: {w:.4f}")

The gap series is then df["Treated"].values - df.iloc[:, 1:].values @ weights, plotted against the intervention date alongside the donor gaps from the placebo run below.

Плацебо тесттери

def run_placebo_tests(df: pd.DataFrame, T0: int) -> pd.DataFrame:
    """In-space placebo: treat each unit in turn as if intervened upon."""
    results = []
    all_columns = df.columns.tolist()

    for placebo_col in all_columns:
        donor_cols = [c for c in all_columns if c != placebo_col]
        donor_df = df[donor_cols]

        X1_p = build_predictors(df[placebo_col], T0).reshape(-1, 1)
        X0_p = np.column_stack([
            build_predictors(donor_df[c], T0) for c in donor_cols
        ])

        w_p = solve_weights(
            X1_p, X0_p,
            df[placebo_col].iloc[:T0].values,
            donor_df.iloc[:T0].values,
        )
        gap_p = df[placebo_col].values - donor_df.values @ w_p

        mspe_pre = np.mean(gap_p[:T0] ** 2)
        mspe_post = np.mean(gap_p[T0:] ** 2)

        results.append({
            "unit": placebo_col,
            "mspe_pre": mspe_pre,
            "mspe_post": mspe_post,
            "mspe_ratio": mspe_post / mspe_pre if mspe_pre > 1e-10 else np.inf,
            "gap_series": gap_p,
            "is_treated": placebo_col == "Treated",
        })

    return pd.DataFrame(results)


placebo_results = run_placebo_tests(df, T0)

treated_pre = placebo_results.loc[placebo_results["is_treated"], "mspe_pre"].values[0]
filtered = placebo_results[placebo_results["mspe_pre"] <= 5 * treated_pre]

treated_ratio = filtered.loc[filtered["is_treated"], "mspe_ratio"].values[0]
p_value = (filtered["mspe_ratio"] >= treated_ratio).sum() / len(filtered)
print(f"MSPE ratio (treated): {treated_ratio:.2f}   p = {p_value:.3f}")

Баалоочуну калибрлөө

Иштетүүгө арзырлык демонстрация менен баш тартууга тийиш болгон демонстрация бар. Синтетикалык панелдик маалымат түзүп, ага күнүнө +0,3% эффект киргизип, болжол менен +0,3%/күн калыбына келтирип, муну далил катары көрсөтүү SLSQP жакындаганын гана далилдейт. Бул тегерек аргумент, ошондуктан бул блогдо мындай натыйжа жарыяланбайт.

Синтетикалык маалыматтар калибрлөө үчүн пайдалуу — бул DSR макаласында жана PBO макаласында колдонулган стандарт: белгилүү нөлдүк сценарий статистиканы ишенимдүү кылат. Чыныгы маалыматтагыдай донорлор саны жана интервенцияга чейинки мезгилдин узундугу менен сызыктуу фактордук моделден түзүлгөн маалыматта эки текшерүү жүргүзүлөт:

1. Белгилүү эффект өлчөмүндөгү кубаттуулук. Белгилүү чоңдуктагы эффект киргизиңиз. Интервенциядан кийинки бааланган ажырым аны кайсы ката чегинде калыбына келтирет? Эффекттин өлчөмүн калыбына келтирүү мүмкүн болбой калганга чейин азайтыңыз — бул панелдин геометриясы аныктай алган эң кичине эффект, андан төмөнкү реалдуу натыйжа p-маанисине карабастан ызы-чуу болуп калат.
2. Чыныгы нөлдөгү деңгээл. Эч нерсе киргизбеңиз. Плацебонун толук конвейерин иштетиңиз. p-маани болжол менен $[0, 1]$ аралыгында бир калыпта болушу керек, демек кайталап алынган тандоолордун болжол менен 10%ында 0,10дон төмөн түшөт. Эгер бул көп кайталанса, предикторлор топтому же чыпка босогосу жасалма маанилүүлүк жаратып жатат жана конвейер реалдуу маалыматка тийе электе бузулган.

Көпчүлүк өткөрүп жиберген, бирок маанилүү болгон нерсе — экинчи текшерүү. Адегенде ошону иштетиңиз.

Практикалык маселелер

Донорлор тобун тандоо

Донорлор таасирленген бирдик менен акылга сыярлык салыштырылуучу жана интервенциянын таасиринен алыс болушу керек. Аткаруу маселелеринде бул бирдей алгоритм менен иштеген, сектору, рыноктук капиталдашуу децили жана ликвиддүүлүк деңгээли окшош инструменттерди билдирет. Көп символдук текшерүүдөгү деңгээлдердин таксономиясы бул жерде түздөн-түз колдонулат: инструменттердин бекемдигин адилеттүү текшерүүгө жардам берген касиеттер аларды жакшы донор кылат. Рыноктук окуяларда донорлор ошол эле өзгөрүүгө дуушар болбогон рыноктор болушу керек.

Аралаш таасирленген бирдиктерди алып салыңыз. Эгер бир инструменттеги алгоритмди өзгөртүү корреляцияланган инструменттердеги котировкаларга да таасир этсе, ал инструменттер жарым-жартылай таасирленген болуп калат. Аларды донорлор тобунда калтыруу синтетикалык контролду таасирленген бирдиктин кийинки траекториясына бурмалап, эффектти нөлгө карай кыскартат. Бул дизайн кемчилиги жакшы контрол менен да нөлдүк натыйжа жаратышы мүмкүн дегенди билдирет.

Интервенцияга чейинки дал келүү — негизги шарт

SCMдин ишенимдүүлүгү толугу менен интервенцияга чейинки дал келүүгө таянат. Интервенцияга чейинки MSPE эсептин сапатын ачык көрсөтөт. $T_0$ ден кийинки жакшы натыйжа начар алдын ала дал келүүнүн ордун толтурбайт.

Abadie жана башкалар (2015) эрежени ачык коёт: эгер донорлордун эч бир томпок айкалышы таасирленген бирдиктин интервенцияга чейинки траекториясын кайталай албаса, методду колдонбоңуз. Бул чынчыл фальсификация критерийи болушу керек, бирок көпчүлүк баалоочуларга кандай маалымат берсеңиз да сан чыгарат. SCM ишенимдүү контрфактуал түзө албаганда, туура жооп — бул чектөөнү жарыялоо; дал келүү жакшырмайынча донорлор тобун жөн эле кеңейтүү эмес. Алдын ала дал келүүнү жакшыртуу үчүн бассейнди кеңейтүү ашыкча ылайыкталуу маселесин контрол куруу кадамына көчүрөт.

Кыска панелдерде ашыкча ылайыкталуу

SCMдеги маанилүү катыш — донорлордун саны $J$ менен интервенцияга чейинки байкоолордун саны $T_0$ ортосундагы катыш. $J$ эркин салмакты $T_0$ чекитине ылайыкташтырганда, $J$ $T_0$ ге жакындаса, курулуш идеалдуу алдын ала дал келүүгө жетиши мүмкүн; мындай идеалдуу дал келүү маалымат бербейт. $T_0$ ну $J$ ден кыйла чоң кармаңыз. Мисалы, стратегия интервенцияга чейин 30 күн иштеп, 20 талапкер донор болсо, интерполяция өтө ийкемдүү болот. Жеңилдетүү жолдору:

1. Регуляризация: SparseSC салмактарды оптималдаштырууга $\ell_1$ жана $\ell_2$ айыптарын кошот.
2. Донорлор тобун чектөө: азыраак, жакшыраак негизделген донорлор көп донордон артык болушу мүмкүн. Бирок $J$ минималдуу p-маанинин да гранулярдуулугун аныктайт, ошондуктан бул реалдуу компромисс жана таза чечими жок.
3. Augmented SCM: Ben-Michael, Feller жана Rothstein (2021) алдын ала идеалдуу дал келүү мүмкүн болбогондо натыйжа моделин колдонуп оңдоо киргизет.

Стационардык эмес катарлар

SCMди баа деңгээлдеринде эмес, жыйынды кирешелерде иштетиңиз — деңгээлдер жасалма дал келүүгө оңой алып келет. Интервенцияга чейинки ажырымдын орточо мааниси нөлгө жакын жана стационардуу экенин текшериңиз. ADF жана Engle–Granger ыкмалары, анын ичинде байкалган катардын ордуна ылайыкталган калдыкты текшерүүдөгү оңдолгон критикалык маанилер, статистикалык арбитраж жана жуптук соода материалында түшүндүрүлөт.

Бир нече таасирленген бирдик

Бир эле учурда бир нече активге интервенция киргизүү бирдиктүү бирдиктин дизайнын бузат. Мындай учурда бириктирилген SCM (таасирленген бирдиктер боюнча орточо эффекттер) же ар башка убакта таасирленген бирдиктер үчүн баскычтуу киргизүү дизайндары (Ben-Michael et al., 2022) керек.

SCMди качан колдонбоо керек

SCM төмөнкү шарттарда ылайыктуу: белгилүү күндөгү дискреттүү, так аныкталган интервенция; салыштырылуучу, таасирленбеген бирдиктерден турган акылга сыярлык донорлор тобу; интервенциянын алдын ала күтүлбөшү, анткени күтүү таасирленген бирдикти $T_0$ ге чейин жылдырып, идентификацияны бузат.

SCM төмөнкү шарттарда начар ылайыктуу: бир нече жума өзгөрүп турган параметр сыяктуу үзгүлтүксүз таасир; чындап таасирленбеген салыштырма бирдик жок болгон учур; сигнал-ызы-чуу катышы салмактарды баалоого мүмкүндүк бербеген жогорку жыштыктагы баалоо.

Корутунду

Тандоо менен конфаунинг — ар башка ката режимдери, демек аларга ар башка инструменттер керек. DSR менен PBO издөө процессин баалайт. SCM контрфактуалды баалайт жана чыныгы эксперимент жүргүзгөнүңүзгө карабай анын натыйжасына ишене албай турган учурду ушул сериядагы башка ыкмалардан өзүнчө чечет.

SCMди жөнөкөй эталондон артык көрүүнүн себеби эффектти сөзсүз чоңойткону эмес — көбүнчө тескерисинче, кичирейтет — анын четке кагуу мүмкүнчүлүгүндө. Эгер интервенцияга чейин донорлордун томпок айкалышы инструментиңизге дал келбесе, SCM муну көрсөтүп, токтоону талап кылат. Эгер таасирленген ажырым донорлор булутунун ичинде калса, плацебо p-маани муну көрсөтүп, нөлдүк натыйжа отчеттолот. Ушул эки жыйынтык методдун өзөгүн түзөт. Алдын ала MSPE жана плацебо p-мааниси жок SCM жазуусу эки сызыктуу графиктен көп нерсени өткөрүп жиберет.

Кийинки окуу

• Abadie, A., Diamond, A., & Hainmueller, J. (2010). "Салыштырма учурлар үчүн синтетикалык контрол ыкмалары." Америкалык статистикалык ассоциациянын журналы, 105(490), 493-505.
• Abadie, A. (2021). "Синтетикалык контролду колдонуу: техникалык-экономикалык, маалыматтык жана методологиялык аспектилер." Экономикалык адабият журналы, 59(2), 391-425.
• Ben-Michael, E., Feller, A., & Rothstein, J. (2021). "Күчөтүлгөн синтетикалык контрол." Америкалык статистикалык ассоциациянын журналы, 116(536), 1789-1803.
• Cunningham, S. (2021). Себептик жыйынтык: Mixtape. 10-бөлүм: Синтетикалык контрол. mixtape.scunning.com.
• Microsoft Research. SparseSC: Сейрек синтетикалык контрол. github.com/microsoft/SparseSC.