Towards Causal Market Simulators

Cet article propose le modèle TNCM-VAE, une architecture combinant autoencodeurs variationnels et modèles causaux structurels pour générer des séries temporelles financières contrefactuelles respectant les dépendances causales, permettant ainsi des analyses de risque et des tests de stress plus fiables.

L'essentiel

🌍 Imaginez un Simulateur de Vol pour l'Argent

Imaginez que vous êtes un pilote d'avion. Avant de voler dans une vraie tempête, vous utilisez un simulateur de vol. Ce simulateur vous permet de voir ce qui se passerait si vous tiriez sur le manche à gauche, ou si les moteurs tombaient en panne, sans risquer votre vie.

Dans le monde de la finance, les banquiers et les gestionnaires de risques ont besoin de la même chose : un simulateur de marché. Ils veulent savoir : « Que se passerait-il si les taux d'intérêt montaient soudainement ? » ou « Si le prix du pétrole s'effondre, comment cela affectera-t-il mon portefeuille ? ».

C'est exactement ce que proposent Dennis Thumm et Luis Ontaneda Mijares dans leur article. Ils ont créé un nouveau type de simulateur, qu'ils appellent TNCM-VAE, qui est beaucoup plus intelligent que les précédents.

🤖 Le Problème des Anciens Simulateurs

Pendant longtemps, les simulateurs financiers fonctionnaient un peu comme un perroquet très doué.

• Le perroquet (les anciens modèles) : Il a écouté des milliers d'heures de conversations boursières. Il sait répéter les phrases, imiter le ton et même prédire la prochaine phrase avec une bonne probabilité.
• Le défaut : Si vous lui demandez : « Et si le ciel était vert au lieu de bleu ? », le perroquet est perdu. Il ne comprend pas la cause (le soleil, l'atmosphère), il ne fait que répéter ce qu'il a vu. Il ne peut pas imaginer un monde où les règles physiques ont changé.

En finance, cela signifie que les vieux modèles peuvent prédire le futur basé sur le passé, mais ils échouent à analyser des scénarios hypothétiques (ce qu'on appelle des « contrefactuels ») parce qu'ils ne comprennent pas la chaîne de cause à effet.

🧠 La Solution : Un Simulateur qui Comprend la « Cause »

Les auteurs ont construit un nouveau modèle qui ne se contente pas de mémoriser, il comprend la logique.

Pour faire simple, leur modèle est composé de trois pièces principales, comme un atelier de réparation :

1. L'Observateur (L'Encodeur) : Il regarde les données du marché (les prix, les volumes) et les transforme en une « carte mentale » cachée. Il comprend comment les événements sont liés dans le temps.
2. Le Chef d'Orchestre (Le Modèle Causal) : C'est la partie révolutionnaire. Au lieu de laisser les variables se mélanger, le modèle dessine un plan de causalité (un graphe).
   • L'analogie : Imaginez un jeu de dominos. Le modèle sait exactement quel domino tombe sur lequel. Si vous poussez le domino A, il sait que B va tomber, puis C. Il ne se trompe pas en pensant que C a fait tomber A.
3. Le Peintre (Le Décodeur) : Il prend la « carte mentale » et le plan de causalité pour dessiner un nouveau scénario. Si vous lui dites : « Imaginez que le prix du pétrole a chuté de 20% aujourd'hui », il utilise le plan pour dessiner comment tout le reste du marché réagira, étape par étape, de manière logique.

🎲 Comment ça marche en pratique ?

Le modèle utilise une technique mathématique appelée VAE (Auto-encodeur variationnel) combinée à des réseaux de neurones. Mais le secret, c'est qu'ils ont forcé le modèle à respecter des règles strictes de causalité (comme un arbre généalogique où on ne peut pas avoir un enfant avant ses parents).

Ils ont aussi utilisé une règle de mesure spéciale (la « distance de Wasserstein causale ») pour s'assurer que les scénarios générés ressemblent vraiment à la réalité, même lorsqu'ils sont inventés.

🧪 Les Résultats : Un Test de Vérité

Pour prouver que leur idée fonctionne, les auteurs ont créé un terrain de jeu contrôlé (un laboratoire virtuel) avec des règles mathématiques précises (inspirées d'un processus appelé Ornstein-Uhlenbeck, qui ressemble à un ballon qui rebondit et finit par s'arrêter).

• Le test : Ils ont demandé au modèle : « Si je modifie la variable X, quelle est la probabilité que la variable Y dépasse une certaine limite ? »
• Le résultat : Le modèle a deviné la réponse presque parfaitement. L'erreur était minuscule (entre 0,03 et 0,10). C'est comme si vous demandiez à un cuisinier de recréer un plat à l'aveugle, et qu'il avait le même goût que le plat original.

🚀 Pourquoi est-ce important pour vous ?

Ce n'est pas juste de la théorie mathématique. Cela ouvre la porte à :

• Des tests de stress plus réalistes : Les banques peuvent simuler des crises économiques extrêmes pour voir si elles survivront.
• De meilleures décisions d'investissement : Comprendre pourquoi un marché bouge, pas seulement quand il bouge.
• Des scénarios « Et si... » : Pouvoir explorer des futurs qui n'ont jamais existé, mais qui sont physiquement possibles.

En résumé

Les auteurs ont créé un simulateur de marché qui a du bon sens. Au lieu de simplement répéter ce qu'il a vu, il comprend les liens de cause à effet. C'est comme passer d'un perroquet qui répète des phrases à un ingénieur qui comprend comment fonctionne une machine, capable de vous dire ce qui arrivera si vous changez une pièce, même dans un monde imaginaire.

C'est un pas de géant vers une finance plus sûre et mieux préparée aux imprévus.

Résumé technique

Voici un résumé technique détaillé de l'article "Towards Causal Market Simulators" (Vers des simulateurs de marché causaux) par Dennis Thumm et Luis Ontaneda Mijares, présenté à la conférence ICAIF '25.

1. Problématique

Les générateurs de marché actuels, basés sur des modèles génératifs profonds (comme les GANs), sont prometteurs pour la création de données financières synthétiques. Cependant, ils souffrent d'une limitation majeure : l'absence de capacités de raisonnement causal.

• Limites actuelles : Les méthodes existantes préservent les dépendances temporelles et les "faits stylisés" des séries temporelles, mais elles ne peuvent pas effectuer d'analyses contrefactuelles (c'est-à-dire répondre à la question "Que se passerait-il si nous avions agi différemment ?").
• Conséquence : Sans raisonnement causal, il est impossible d'attribuer correctement les primes de risque aux facteurs sous-jacents ou de réaliser des tests de stress et des analyses de scénarios réalistes qui respectent les mécanismes de causalité du marché.
• Objectif : Développer un générateur capable de produire des séries temporelles financières contrefactuelles plausibles tout en respectant les structures causales sous-jacentes.

2. Méthodologie : TNCM-VAE

Les auteurs proposent un nouveau cadre appelé Time-series Neural Causal Model VAE (TNCM-VAE). Ce modèle combine les Autoencodeurs Variationnels (VAE) avec les Modèles Causaux Structurels (SCM).

L'architecture se compose de trois modules principaux :

• Encodeur ($Q_\phi$) :

  • Il mappe les séries temporelles observées vers un espace latent.
  • Il utilise un réseau feed-forward initial suivi de couches GRU (Gated Recurrent Unit) pour capturer les dépendances temporelles.
  • Il applique la technique de ré-paramétrisation pour échantillonner des variables latentes ($z$) à partir d'une distribution apprise (moyenne $\mu$ et variance $\log \sigma^2$).

• Décodeur Causal ($P_\theta$) :

  • C'est le cœur de l'innovation. Le décodeur impose une structure de Graphe Acyclique Dirigé (DAG) explicite.
  • Cette structure encode les relations causales entre les variables (par exemple, $X_{t-1}$ affecte $Y_t$).
  • Il utilise des transformations RealNVP pour modéliser des distributions conditionnelles complexes.
  • Cela permet non seulement de reconstruire les données observées, mais aussi de simuler des interventions (opérateur $do(X)$).

• Fonction de Perte et Entraînement :

  • Le modèle minimise une borne inférieure de la vraisemblance (ELBO) adaptée.
  • Perte de reconstruction : Utilise une distance de Wasserstein causale (via des couplages bicausaux) pour garantir que les dynamiques latentes respectent la structure causale.
  • Régularisation : Une divergence KL est ajoutée pour aligner la distribution a priori apprise avec la distribution de référence, en utilisant RealNVP pour une estimation de densité flexible et dépendante du temps.

• Processus de Génération Contrefactuelle :
  Le modèle suit le paradigme en trois étapes de Pearl :

  1. Abduction : Encodage de la séquence observée pour capturer la distribution a posteriori.
  2. Action : Modification des variables pertinentes selon l'intervention $do(X_j = x_j)$ à un instant $T$.
  3. Prédiction : Génération de la séquence contrefactuelle via le décodeur tout en maintenant la cohérence temporelle et les confondants fixes.

3. Contributions Clés

1. Intégration DAG dans les VAE : Introduction d'une représentation explicite de graphe acyclique dirigé dans l'architecture du décodeur pour forcer le respect des dépendances causales.
2. Utilisation de la Distance de Wasserstein Causale : Adoption de cette métrique pour l'entraînement, assurant que les dynamiques latentes sont conformes à la structure causale théorique.
3. Génération Contrefactuelle Financière : Capacité à générer des trajectoires de marché plausibles pour des scénarios "et si" (ex: stress tests), ce qui manquait aux générateurs de données purement statistiques.
4. Validation Théorique et Empirique : Démonstration sur des processus autorégressifs inspirés d'Ornstein-Uhlenbeck, avec des preuves mathématiques de la cohérence des estimateurs contrefactuels.

4. Résultats Expérimentaux

Les expériences ont été menées sur des données synthétiques générées par deux processus autorégressifs (AR) inspirés du processus d'Ornstein-Uhlenbeck (réversion à la moyenne), avec une relation causale connue : $X$ influence $Y$.

• Scénarios testés :
  • Expérience 1 : Estimation de $P(Y_{t+1} > 0 | do(X_t = 0))$.
  • Expérience 2 : Estimation de $P(Y_{t+1} > 2 | do(X_t = -2))$.
• Performance :
  • Le modèle TNCM-VAE a démontré une précision exceptionnelle dans l'estimation des probabilités contrefactuelles par rapport aux solutions analytiques (vérité terrain).
  • Les distances L1 entre les estimations du modèle et la vérité terrain sont très faibles, variant entre 0,03 et 0,10.
  • La précision s'améliore même sur des horizons temporels plus longs (la distance L1 diminue de 0,10 à 0,03 sur 5 pas de temps dans l'expérience 2), indiquant une stabilité temporelle robuste.
• Comparaison : Le modèle surpasse les méthodes de base en termes de précision causale, bien qu'il accepte un léger compromis sur l'erreur de reconstruction pure (un trade-off acceptable pour la génération de scénarios réalistes).

5. Signification et Implications

Ce travail comble un fossé critique dans la modélisation financière :

• Gestion des Risques et Stress Tests : Le modèle permet de simuler des scénarios de crise réalistes en modifiant des variables de contrôle tout en respectant la mécanique causale du marché, essentiel pour les tests de stress réglementaires.
• Analyse de Scénarios : Il offre aux gestionnaires d'actifs un outil pour évaluer l'impact potentiel de décisions d'investissement spécifiques avant leur mise en œuvre.
• Fondement Théorique : En reliant les modèles génératifs profonds à la théorie causale (SCM) et aux processus stochastiques continus (Ornstein-Uhlenbeck), l'article fournit une base solide pour le développement futur de simulateurs de marché intelligents.

Perspectives futures : Les auteurs prévoient d'étendre ce cadre aux processus non stationnaires, aux changements de régime (regime changes) et d'appliquer le modèle sur des jeux de données financiers réels pour valider son efficacité dans des environnements complexes.