Causal Forests para Efeitos de Tratamento Heterogêneos no Trading

Cada modelo preditivo neste blog estima o mesmo objeto: uma média condicional $\mu(\mathbf{x}) = \mathbb{E}[Y \mid \mathbf{X} = \mathbf{x}]$. Feature engineering, gradient boosting, intervalos conformes, validação walk-forward — tudo serve a um estimando. Este artigo é sobre um estimando diferente e a maquinaria que muda quando você o troca.

O objeto é o efeito médio de tratamento condicional:

a diferença entre dois resultados potenciais para a mesma unidade — dos quais você nunca observa um. Você não pode fazer regressão nele, porque ele não está nos seus dados. Causal forests (Athey e Imbens 2016; Wager e Athey 2018) estimam-no não-parametricamente e, notavelmente, fornecem um intervalo de confiança válido ao redor.

Três coisas tornam isso possível e nenhuma delas existe em uma floresta aleatória padrão: um critério de divisão que maximiza a variância do efeito de tratamento em vez de minimizar o erro de predição, uma restrição de honestidade que proíbe usar as mesmas observações para escolher uma divisão e estimar o efeito dentro dela, e uma releitura da floresta como um kernel adaptativo que transforma co-ocorrência de folhas em pesos de estimação. Essas três coisas, mais o teste de calibração que lhe diz se a heterogeneidade que você encontrou é sinal, são o conteúdo deste artigo.

De Efeitos Médios a Efeitos Heterogêneos

Causal Forests: O Algoritmo

A Conexão Double Machine Learning

Aplicação de Trading: Heterogeneidade de Impacto de Eventos

Implementação Python com EconML

Suposições Chave e Diagnósticos

Além de Tratamentos Binários

Considerações Práticas

Conclusão

Referências