Towards Causal Market Simulators

Il paper propone il TNCM-VAE, un modello generativo che combina autoencoder variazionali e modelli causali strutturali per produrre serie temporali finanziarie sintetiche capaci di preservare le dipendenze temporali e le relazioni causali, abilitando così analisi controfattuali e test di stress più accurati.

L'essenziale

Immagina di essere un capitano di nave che deve navigare in un oceano finanziario. Fino a oggi, per prevedere le tempeste, usavamo mappe che ci mostravano solo dove le onde erano state in passato. Erano mappe molto dettagliate, ma non potevano dirci cosa sarebbe successo se avessimo cambiato rotta o se il vento avesse soffiato da una direzione diversa.

Questo articolo, scritto da Dennis Thumm e Luis Ontaneda Mijares, presenta un nuovo tipo di "navigatore" chiamato TNCM-VAE. È un'intelligenza artificiale progettata non solo a guardare il passato, ma a capire la causalità: cioè, capire perché le cose accadono e cosa succederebbe se facessimo una cosa diversa.

Ecco come funziona, spiegato con delle metafore semplici:

1. Il Problema: Le Mappe "Senza Causa"

I modelli attuali per creare dati finanziari finti (come quelli usati per testare le banche) sono come dei bravi imitatori. Se guardano un'onda che si alza, sanno imitarla perfettamente. Ma non capiscono perché si alza.

• L'analogia: È come guardare un film e pensare che se il protagonista indossa un cappello rosso, allora pioverà. Il modello vede che "cappello rosso" e "pioggia" accadono insieme, ma non sa che è il cielo grigio (la causa reale) a far piovere. Se cambi il cappello, il modello pensa ancora che pioverà, perché non capisce la logica dietro la scena.

2. La Soluzione: Il "Motore Causale"

Gli autori hanno creato un nuovo modello che combina due cose potenti:

• Un VAE (Autoencoder Variazionale): Immaginalo come un artista che guarda una foto complessa (i dati di mercato) e la ridisegna in modo semplice, catturando l'essenza.
• Un Modello Causale (SCM): Questa è la parte magica. È come dare all'artista una mappa delle cause ed effetti. Non gli dici solo "disegna un'onda", ma gli dici: "Se spingi questa leva (causa), l'onda si muoverà in quel modo specifico (effetto)".

3. Come Funziona: Il Viaggio in Tre Atti

Per creare un "futuro alternativo" (chiamato controfattuale), il modello fa tre cose, come un regista che gira una scena diversa:

1. L'Investigazione (Abduction): Guarda i dati reali di oggi e capisce quali sono le "cause nascoste" (come il vento o la pressione) che hanno creato quella situazione.
2. L'Intervento (Action): Qui avviene la magia. Il regista dice: "E se invece di spingere la leva A, avessimo spinto la leva B?". Modifica artificialmente una variabile (ad esempio, immagina che i tassi di interesse siano crollati invece di salire).
3. La Predizione (Prediction): Il modello usa la sua mappa delle cause per disegnare il nuovo futuro. Poiché sa come le cose sono collegate, può dirti con precisione: "Se i tassi scendono, allora il prezzo delle azioni X salirà, ma il prezzo di Y cadrà".

4. Perché è Importante? (Il Test di Stress)

Immagina di voler testare la solidità di una banca.

• Metodo vecchio: Simula 1.000 tempeste casuali basate sul passato.
• Metodo nuovo (TNCM-VAE): Simula una tempesta specifica che non è mai accaduta prima, ma che è logicamente possibile. "Cosa succede se il mercato immobiliare crolla e contemporaneamente il petrolio raddoppia di prezzo?"

Il modello riesce a generare scenari realistici che rispettano le regole fisiche ed economiche del mondo, non solo le coincidenze statistiche.

5. I Risultati: Funziona Davvero?

Gli autori hanno fatto degli esperimenti con dati finti ma molto realistici (basati su processi matematici noti come Ornstein-Uhlenbeck, che assomigliano al modo in cui i prezzi tornano alla media dopo un'oscillazione).

• Il risultato: Il loro modello ha sbagliato pochissimo rispetto alla "verità matematica" (un errore bassissimo, tra lo 0,03 e lo 0,10).
• In parole povere: Se la verità matematica dice che c'è il 50% di probabilità che accada X, il modello dice quasi esattamente il 50%.

In Sintesi

Questo paper ci dice che abbiamo smesso di guardare il mercato come un "oracolo che guarda nel passato" e abbiamo iniziato a trattarlo come un "laboratorio di fisica". Ora possiamo fare esperimenti mentali ("E se...?") con una sicurezza molto maggiore, aiutando gli investitori e i regolatori a prepararsi per scenari che non sono mai accaduti, ma che potrebbero accadere domani.

È come passare da un GPS che ti dice solo "sei arrivato qui" a un simulatore di volo che ti permette di provare a pilotare l'aereo in una tempesta mai vista prima, per vedere se reggi il volo.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "Towards Causal Market Simulators" di Dennis Thumm e Luis Ontaneda Mijares, presentata in italiano.

1. Il Problema

I generatori di mercato basati su modelli generativi profondi (come le GAN) hanno mostrato promesse nella creazione di dati finanziari sintetici. Tuttavia, l'approccio attuale presenta una limitazione fondamentale: mancano di capacità di ragionamento causale.

• Limiti attuali: I metodi esistenti preservano le dipendenze temporali e le "stylized facts" dei mercati, ma non possono eseguire analisi controfattuali (scenari "cosa sarebbe successo se...") o valutazioni del rischio basate su interventi causali specifici.
• Necessità: Per decisioni di investimento e stress test finanziari, è essenziale attribuire causalmente i premi al rischio e comprendere come l'intervento su una variabile (es. un tasso di interesse o un prezzo) influenzi causalmente altre variabili nel tempo, superando la semplice correlazione statistica (come la causalità di Granger).

2. Metodologia: TNCM-VAE

Gli autori propongono un nuovo framework chiamato Time-series Neural Causal Model VAE (TNCM-VAE). Questo modello combina i Variational Autoencoder (VAE) con i Modelli Causali Strutturali (SCM) per generare serie temporali finanziarie controfattuali preservando sia le dipendenze temporali che le relazioni causali.

L'architettura si compone di tre fasi principali:

A. Componenti dell'Architettura

1. Encoder ($Q_\phi$): Mappa la serie temporale osservata in uno spazio latente. Utilizza una struttura gerarchica con reti feed-forward e strati GRU (Gated Recurrent Unit) per catturare le dipendenze temporali. Outputta i parametri (media e varianza) della distribuzione latente.
2. Decoder Causale ($P_\theta$): È il cuore innovativo del modello. Enforcea una struttura a Grafo Aciclico Diretto (DAG) che codifica le relazioni causali tra le variabili. Questo garantisce che il processo generativo rispetti le dipendenze causali assunte, permettendo non solo la ricostruzione dei dati osservati, ma anche la simulazione di scenari controfattuali coerenti con il grafo causale.
3. Spazio Latente: Vengono utilizzati spazi latenti separati per ciascun processo stocastico marginale (es. $X$ e $Y$). Per la generazione, l'output del decoder viene concatenato con lo stato latente del passo temporale precedente ($U_{t-1}$), permettendo modifiche flessibili durante gli interventi.

B. Funzione di Perdita e Addestramento

• Distanza di Wasserstein Causale: Il modello utilizza una versione adattata della distanza di Wasserstein come funzione di perdita per la ricostruzione, implementata tramite accoppiamenti bicausali. Questo assicura che le dinamiche latenti rispettino la struttura causale.
• RealNVP: Viene impiegata la trasformazione RealNVP per modellare distribuzioni condizionali complesse e stimare densità flessibili.
• Prior Temporale: A differenza dei VAE standard che usano una distribuzione normale fissa, questo approccio approssima una distribuzione distinta per ogni passo temporale, poiché ogni passo corrisponde a una diversa margine in $P(X_t | X_{t-1})$.
• Loss Function: La funzione di costo combina l'errore di ricostruzione (basato sulla distanza Wasserstein) e un termine di regolarizzazione KL (Kullback-Leibler) tra la distribuzione trasformata e la prior di riferimento.

C. Generazione Controfattuale

Il processo di generazione segue i tre passaggi classici del ragionamento causale (Abduzione, Azione, Predizione):

1. Abduzione: Codifica la sequenza osservata nello spazio latente per catturare la distribuzione a posteriori.
2. Azione: Modifica le variabili di output rilevanti in base all'intervento $do(X_j = x_j)$ al tempo $T_{int}$.
3. Predizione: Genera la sequenza controfattuale attraverso il decoder, mantenendo la coerenza temporale e le variabili confondenti fisse (come nel caso fattuale), tranne la variabile sotto intervento.

3. Risultati Sperimentali

Gli esperimenti sono stati condotti su dati sintetici generati da processi autoregressivi (AR) ispirati al processo di Ornstein-Uhlenbeck (noto per le sue proprietà di stazionarietà e mean-reversion), che permettono di confrontare i risultati con soluzioni analitiche "ground truth".

• Setup: Due variabili $X_t$ e $Y_t$ con una relazione causale nota ($Y$ dipende da $X_{t-1}$).
• Query: Sono stati valutati scenari controfattuali come $P(Y_{t+1} > 0 | do(X_t = 0))$.
• Performance:
  • Il modello ha dimostrato un'eccellente precisione nella stima delle probabilità controfattuali.
  • Gli errori L1 (distanza tra la stima del modello e la verità analitica) sono risultati molto bassi, compresi tra 0.03 e 0.10.
  • In particolare, per l'Esperimento 2, l'errore è diminuito nel tempo (da 0.10 al passo 1 a 0.03 al passo 5), indicando una robusta stabilità temporale.
  • Le distribuzioni di probabilità generate si sono allineate strettamente con le soluzioni analitiche attese.

4. Contributi Chiave

1. Integrazione Causale-Generativa: Introduzione del primo framework che unisce VAE e SCM per serie temporali finanziarie, permettendo la generazione di dati sintetici che rispettano vincoli causali espliciti.
2. Architettura DAG nel Decoder: L'uso di un grafo aciclico diretto all'interno del decoder per imporre vincoli causali durante la generazione, superando i limiti dei modelli puramente statistici.
3. Validazione Teorica: Dimostrazione che l'approccio funziona su processi stocastici continui discretizzati (Ornstein-Uhlenbeck), fornendo garanzie teoriche sulla qualità delle traiettorie controfattuali.
4. Metriche di Valutazione: Uso della distanza di Wasserstein causale e dell'errore L1 rispetto a soluzioni analitiche per validare la correttezza causale, non solo la fedeltà statistica.

5. Significato e Implicazioni

Il lavoro di Thumm e Ontaneda Mijares colma un divario critico nella generazione di dati finanziari sintetici:

• Stress Test e Gestione del Rischio: Il modello permette di generare scenari di mercato plausibili ma mai osservati (es. "Cosa succede al portafoglio se il tasso di interesse sale bruscamente?"), rispettando i meccanismi causali sottostanti.
• Backtesting Migliorato: Consente un backtesting più robusto testando strategie su scenari controfattuali realistici, riducendo il rischio di overfitting su dati storici.
• Futuro della Ricerca: Il framework apre la strada a modelli di mercato che possono spiegare non solo cosa è successo, ma perché, e simulare l'impatto di politiche o shock esterni in modo causalmente corretto.

In sintesi, il TNCM-VAE rappresenta un passo avanti significativo verso simulatori di mercato "causalmente consapevoli", essenziali per la finanza quantitativa moderna e la regolamentazione dei rischi sistemici.