多尺度因果结构学习
机器学习
2022-07-19 v1 统计方法学
机器学习
摘要
从观测数据推断因果结构在揭示系统潜在动力学中起着关键作用。本文提出一种名为多尺度因果结构学习（MS-CASTLE）的新方法，用于估计发生于不同时间尺度的线性因果关系结构。与现有方法不同，MS-CASTLE 明确考虑以不同尺度表示的多个时间序列之间的瞬时与滞后相互关系，依赖于平稳小波变换与非凸优化。MS-CASTLE 包含一个特例，即名为 SS-CASTLE 的单尺度版本，其在计算效率、性能与鲁棒性上相较合成数据上的 SOTA 方法更具优势。我们利用 MS-CASTLE 研究了 covid-19 大流行期间 15 个全球股票市场风险的多尺度因果结构，阐明 MS-CASTLE 如何借助多尺度分析提取有意义信息，优于 SS-CASTLE。我们发现最持久且最强的相互作用出现在中期时间分辨率上。此外，我们识别了在所考察时期内驱动风险的市场：巴西、加拿大与意大利。所提方法可被金融投资者利用，他们可根据自身投资期限，从因果视角管理股票组合中的风险。
引用
@article{arxiv.2207.07908,
title = {Multiscale Causal Structure Learning},
author = {Gabriele D'Acunto and Paolo Di Lorenzo and Sergio Barbarossa},
journal= {arXiv preprint arXiv:2207.07908},
year = {2022}
}