面向因果市场模拟器的探索

基于深度生成模型的市场生成器在合成金融数据生成方面显示出前景，但现有方法缺乏用于反事实分析和风险评估的因果推理能力。我们提出了一种基于变分自编码器的时间序列神经因果模型 (TNCM-VAE)，将变分自编码器与结构因果模型结合，以生成保持时序依赖性和因果关系的反事实金融时间序列。我们的 метод通过解码器架构中的有向无环图 (DAG) 强制执行因果约束，并采用因果 Wasserstein 距离进行训练。我们在受奥尔恩斯坦-乌伦贝克过程启发的合成自回归模型上进行验证，表明在反事实概率估计方面性能卓越，L1 距离较小，范围为 0.03-0.10。该模型通过生成尊重底层因果机制的可信反事实市场轨迹，实现了金融压力测试、情景分析以及增强的回测。