金融市场中的因果发现：非平稳时间序列数据框架
统计金融
2024-06-10 v3
摘要
本文介绍了一种新的非平稳时间序列数据因果结构学习方法，这是金融、经济、医疗和环境科学等领域常见的数据类型。我们的工作基于约束的非平稳数据因果发现算法（CD-NOD）。我们引入了一个改进版本（CD-NOTS），专门设计用于考虑时间序列数据中的滞后依赖关系。我们比较了不同算法选择（如条件独立性检验类型和显著性水平）的性能，以帮助在各种样本量、问题维度和计算资源可用性场景下选择最佳超参数。利用模拟数据的结果，我们将CD-NOTS应用于广泛的真实金融应用，以识别非平稳时间序列数据之间的因果关系，从而说明在因子投资、投资组合多样化和理解市场动态中的应用。
引用
@article{arxiv.2312.17375,
title = {Causal Discovery in Financial Markets: A Framework for Nonstationary Time-Series Data},
author = {Agathe Sadeghi and Achintya Gopal and Mohammad Fesanghary},
journal= {arXiv preprint arXiv:2312.17375},
year = {2024}
}
备注
35 pages, 28 figures