🤖 machine learning

Amortized Interventional Forecasting for Multivariate CIR Processes

Dit artikel introduceert CIR-ACTIVA, een geamortiseerd interventioneel voorspellingsframework voor multivariate Cox–Ingersoll–Ross-processen dat causale "wat als"-analyses van financiële tijdreeksen, zoals CDS-spreads, mogelijk maakt door causale schokken te onderscheiden van historische correlaties en de observationele baselines te overtreft in zowel causale selectiviteit als horizon-opgeloste kalibratie.

Oorspronkelijke auteurs: Andreas Sauter, Sumit Sourabh, Drona Kandhai, Erman Acar

Gepubliceerd 2026-08-05

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andreas Sauter, Sumit Sourabh, Drona Kandhai, Erman Acar

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je naar een zwerm vogels kijkt. Soms duiken ze allemaal tegelijk naar links, en soms duiken ze allemaal naar rechts. Als je alleen maar kijkt, zou je kunnen denken dat ze elkaars bewegingen kopiëren. Maar wat als één vogel geschrokken wordt door een havik en duikt, waardoor de anderen ook gaan duiken? Dat is een oorzaak-gevolgrelatie. In de wereld van de financiën bewegen geldstromen op een vergelijkbare manier als deze zwermen. Rentestanden, kredietscores en de kosten van lenen stijgen en dalen vaak samen. Lange tijd gebruikten computers om deze bewegingen te voorspellen door simpelweg naar de patronen uit het verleden te kijken, uitgaande van het idee dat als twee dingen samen bewegen, ze ook met elkaar verbonden zijn. Maar dit is alsof je denkt dat de haan de zon doet opkomen, enkel omdat de haan elke ochtend kraait bij zonsopgang.

De specifieke instrumenten die wetenschappers gebruiken om deze financiële "zwermen" te modelleren, worden CIR-processen genoemd (genoemd naar drie onderzoekers: Cox, Ingersoll en Ross). Zie dit als een wiskundige manier om dingen te beschrijven die van nature willen terugkeren naar een normaal gemiddelde, zoals een elastiekje dat terugspringt nadat het is uitgerekt. De grote vraag die dit artikel aanpakt is: Wat gebeurt er als we één deel van het systeem dwingen om te veranderen? Als we kunstmatig de kredietscore van één bedrijf schokken, hoe reageren de anderen dan? Oude modellen kunnen dit niet beantwoorden, omdat ze alleen weten hoe dingen in het verleden samen hebben bewogen, niet hoe ze zouden bewegen als we er één van zouden duwen. Dit artikel introduceert een nieuwe manier om die "wat als"-vragen te beantwoorden zonder telkens de hele computermodel opnieuw te hoeven bouwen.

Het Probleem: De Haan en de Zon

In de financiële wereld gedragen veel zaken zich als een elastiekje. Als een kredietspread (de kosten van lenen voor een bedrijf) te hoog wordt, wil deze meestal terugkeren naar een normaal niveau. Als hij te laag wordt, wil hij weer omhoog kruipen. Dit wordt "mean-reverting" (gemiddelde-reversie) genoemd.

Decennialang hebben wetenschappers een standaardmodel gebruikt genaamd het CIR-proces om deze bewegingen te voorspellen. Het werkt uitstekend voor het raden van wat er hierna zou kunnen gebeuren op basis van de geschiedenis. Maar het heeft een blinde vlek. Het ziet dat twee dingen samen bewegen en neemt aan dat ze verbonden zijn. Het weet niet waarom.

Stel je een stresstest voor een bank voor. Een toezichthouder zou kunnen vragen: "Wat gebeurt er als de kredietwaardigheid van Bedrijf A instort?" Een slim model zou moeten zeggen: "Bedrijf B kan nerveus worden en de waardering kan ook dalen, maar Bedrijf C heeft niets met Bedrijf A te maken, dus dat zou kalm moeten blijven."

De oude modellen zijn echter als een verwarde waarnemer die ziet dat Bedrijf A en Bedrijf C in het verleden samen bewogen. Wanneer Bedrijf A instort, raakt het oude model in paniek en zegt: "O nee, Bedrijf C moet ook instorten!" Het verwart correlatie (dingen die tegelijkertijd gebeuren) met causaliteit (het ene ding dat het andere doet gebeuren). Dit leidt tot "fantoom-schokken", waarbij het model rampen voorspelt voor bedrijven die eigenlijk veilig zijn, waardoor banken geld verspillen aan onnodige verzekeringen.

De Oplossing: Een Tijdreizende Simulator

De auteurs van dit artikel, Andreas Sauter en zijn team, hebben een nieuw hulpmiddel gebouwd genaamd CIR-ACTIVA. Ze wilden een systeem creëren dat "wat als"-vragen direct kan beantwoorden, zonder dat het telkens opnieuw getraind hoeft te worden voor elk nieuw scenario.

Om dit te doen, moesten ze een lastig probleem oplossen: Hoe leer je een computer over oorzaak en gevolg als je niet echt de echte wereld in kunt gaan en een bedrijf van de beurs kunt drukken om te zien wat er gebeurt? Je kunt dat experiment niet uitvoeren op echte markten.

Dus bouwden ze een virtuele wereld. Ze creëerden een "causale simulator" die fictieve financiële gegevens genereert. In deze fictieve wereld weten ze precies wie wat veroorzaakt. Ze kunnen zeggen: "Oké, in deze simulatie veroorzaakt Bedrijf A een verandering bij Bedrijf B, maar Bedrijf C is volkomen onafhankelijk." Vervolgens laten ze Bedrijf A crashen in de simulatie en kijken ze wat er gebeurt. Dit geeft hen de "ground truth" — het juiste antwoord op de "wat als"-vraag.

Ze trainden hun AI-model, CIR-ACTIVA, op miljoenen van deze fictieve scenario's. Het model leerde van een geschiedenis van bewegingen en een specifieke "schok" (zoals "Dwing Bedrijf A om te crashen") en voorspelde vervolgens de toekomst van de hele groep.

Het Geheime Ingrediënt: Tijd als een Personage

De meeste AI-modellen die de toekomst voorspellen, behandelen tijd als een simpele lijst met getallen. CIR-ACTIVA doet iets slims: het behandelt tijd zelf als een personage in het verhaal.

Stel je voor dat je een verhaal vertelt over een bal die een heuvel afrolt. Als je iemand alleen een lijst geeft van waar de bal was, kunnen ze misschien raden waar hij naartoe gaat. Maar als je hen vertelt: "De bal was bovenaan om 1:00 uur, halverwege om 1:05 uur, en onderaan om 1:10 uur," dan begrijpen ze de snelheid en het momentum.

CIR-ACTIVA bekijkt de data als een verzameling momentopnames, waarbij aan elk moment een specifieke tijdstempel is gekoppeld. Het leert niet alleen "Bedrijf A gaat omlaag als Bedrijf B omlaag gaat." Het leert "Bedrijf A gaat snel omlaag direct na de schok, maar vertraagt en stabiliseert zich over de volgende paar dagen."

Het model gebruikt ook een speciale truc genaamd geamortiseerde inferentie. Normaal gesproken, als je wilt weten wat er in een nieuw scenario gebeurt, moet je de computer vanaf nul onderwijzen. Dat duurt lang. CIR-ACTIVA is als een student die zo veel verschillende natuurkundeproblemen heeft bestudeerd, dat wanneer je hem een nieuw probleem geeft, hij het direct kan oplossen zonder een tekstboek te openen. Ze hebben het leren (geamortiseerd) verspreid over alle trainingsscenario's.

De Resultaten: De Echte Slachtoffers Opsporen

Het team heeft CIR-ACTIVA getest tegen andere modellen, inclusief enkele zeer slimme modellen die tijd of causaliteit niet begrepen. Ze gebruikten hun virtuele wereld om te zien wie de "wat als"-antwoorden goed kreeg.

De resultaten waren duidelijk. Toen ze één bedrijf in de simulatie schokten:

De Oude Modellen (en de "GMR"-baseline): Ze raakten in paniek. Ze voorspelden dat iedereen zou crashen, zelfs de bedrijven die geen enkele connectie hadden met het slachtoffer. Ze konden het verschil niet zien tussen een vriend en een vreemde.
CIR-ACTIVA: Het bleef kalm. Het voorspelde correct dat het slachtoffer zou crashen, dat de directe vrienden de pijn zouden voelen, maar dat de vreemden veilig zouden blijven. Het toonde causale selectiviteit, wat betekent dat het alleen de juiste mensen de schuld gaf.

Het model was ook veel beter in het voorspellen van wanneer dingen zouden gebeuren. Het wist dat de schok direct hard zou toeslaan, maar dat het over de tijd zou wegsterven. De andere modellen waren vaak te traag of te snel in hun voorspellingen.

Waarom Dit Belangrijk Is

Dit is niet alleen een wiskundig spelletje. In de echte wereld, als een bank denkt dat een veilig bedrijf in gevaar is vanwege een "fantoom-schok", kunnen ze hun aandelen verkopen of dure verzekeringen kopen die ze niet nodig hebben. Dat kost echt geld.

De auteurs lieten zien dat hun model uitstekend werkt in hun gesimuleerdeerde wereld. Ze controleerden zelfs of hun fictieve wereld op de echte wereld leek, en hoewel het niet perfect was (echte markten hebben meer extreme sprongen dan hun simulatie), hield het vermogen van het model om oorzaak van gevolg te scheiden stand.

Het artikel concludeert dat observationele nauwkeurigheid niet hetzelfde is als causale correctheid. Alleen omdat een model het verleden goed kan raden, betekent niet dat het een schok kan afhandelen. CIR-ACTIVA biedt een manier om stresstests uit te voeren die daadwerkelijk vertellen wat er zou gebeuren als je op een knop drukt, in plaats van alleen te gissen op basis van wat er eerder is gebeurd. Het is een stap naar financiële modellen die niet alleen begrijpen wat er gebeurt, maar ook waarom.

Technische Samenvatting: Geamortiseerde Interventionele Forecasting voor Multivariate CIR-processen

1. Probleemdefinitie

Financiële tijdreeksen zoals korte rentestanden, default-intensiteiten en credit default swap (CDS) spreads worden vaak gemodelleerd als mean-reverting processen, typisch binnen het Cox–Ingersoll–Ross (CIR) kader. Hoewel standaard multivariate CIR-modellen succesvol gecorreleerde co-bewegingen vastleggen, missen ze een mechanisme om causale invloed tussen series te representeren. Bijgevolg kunnen ze geen interventionele queries beantwoorden: voorspellen hoe een systeem reageert wanneer één reeks extern wordt geschokt (bijv. een stresstest die een specifieke spread naar een gestreste waarde dwingt).

Huidige forecasting-modellen bieden doorgaans conditionele voorspellingen (het voorspellen van toekomstige waarden gegeven historische paden waarbij een variabele toevallig een bepaalde waarde aannam). Dit verward correlatie met causaliteit. Een hoge waarde in een gecorreleerde reeks kan een symptoom zijn van gedeelde stress in plaats van een oorzaak; daarom kunnen conditionele modellen effecten van schokken onterecht toeschrijven aan series die causaal afgeschermd zijn, wat leidt tot "fantoom"-risicobeoordelingen bij stresstests.

De kernuitdaging is interventionele forecasting: het schatten van de post-interventie distributie $p(\mathbf{V} | \mathcal{D}_{M_o}, do(V_i))$ voor multivariate CIR-processen. Dit wordt bemoeilijkt door observationele equivalentie, waarbij meerdere causale modellen identieke observationele data genereren maar verschillende interventionele uitkomsten impliceren. Bovendien ontbreekt het in de echte financiële wereld aan grondwaarheid-interventionele samples, wat de evaluatie van causale forecasting-modellen zonder synthetische benchmarks onmogelijk maakt.

2. Methodologie

Het artikel stelt CIR-ACTIVA voor, een framework dat een causale data-generator combineert met een geamortiseerd inferentiemodel.

2.1 Causale Multivariate CIR-simulator

Om het model te trainen en te evalueren, introduceren de auteurs een causaal multivariate CIR-datagenererend proces. Deze simulator genereert gepaarde observationele en interventionele samples, die niet beschikbaar zijn in echte markten.

Structureel Causaal Model (SCM): Het model definieert $d$ variabelen waarbij elke evolueert via een gediscretiseerde CIR-vergelijking.
Causale Long-Run Mean: In tegenstelling tot standaard CIR-modellen waar de long-run mean een vaste waarde heeft, is de gemiddelde waarde $b_{t+1}^i$ hier een structurele functie van de gelijktijdige waarden van causale ouders ( $PaV_i$ ) en een tijd-gemoduleerde factor $c_i(t)$ .
Soft Interventies: De simulator past soft interventies toe $do(V_i := (1+\delta)f_i)$ , waarbij de dynamiek van een doelvariabele wordt geschaald terwijl de afhankelijkheid van haar ouders behouden blijft.
Varianten: De simulator bevat een niet-cyclische variant (stationaire gemiddelde) en een cyclische variant waarbij de long-run mean een sinusvormige modulatie volgt, om het vermogen van het model om tijdvariërende dynamiek te volgen te testen.
Kalibratie: Parameters zijn gekalibreerd op echte 5Y CDS-data (2015–2021) om ervoor te zorgen dat de marginale statistieken (niveaus, autocorrelatie, staartgedrag) lijken op echte markten, hoewel de simulator toegeeft dat echte dikke staarten en schokpersistentie moeilijker te repliceren zijn met pure diffusie.

2.2 CIR-ACTIVA Modelarchitectuur

Het model past het ACTIVA-framework (een $\beta$ -CVAE gebaseerde geamortiseerde causale estimator) aan voor tijdreeksen.

Tijdreeks-framing: In plaats van observaties als een ongeordende verzameling te behandelen, promoot het model tijd als een variabele. Elke observatie is een tuple $(\mathbf{y}, t)$ . Dit stelt het model in staat om temporele afhankelijkheden te leren zonder rigide architecturale inductieve biases op te leggen (zoals RNN's), waarbij forecasting wordt behandeld als een tabular voorspellingsprobleem met tijd als een feature.
Encoder: Gebruikt equivariante transformer-encoders om de observationele context en de interventie-query te verwerken. Het gebruikt een Conditional Continuous Normalizing Flow als de prior $p_\eta(\mathbf{z} | \mathcal{D}_{M_o}, \mathbf{i})$ om een multimodale latente distributie over causale modellen te representeren, waarbij permutatie-equivariantie behouden blijft.
Decoder: Een transformer-decoder brengt de latente code $\mathbf{z}$ in kaart naar een gezamenlijke distributie over variabelen en tijd. Cruciaal is dat het een horizon-gebuckette decoder gebruikt. De forecast-horizon wordt verdeeld in $K$ tijd-buckets, en de decoder geeft voor elke bucket een full-covariance Gaussische distributie met een lineair-in-tijd gemiddelde verschuiving af. Dit maakt het mogelijk dat de interventionele wet varieert met de afstand tot de forecast.
Output Transform: Om de niet-negativiteit van CIR-processen te hanteren, voorspelt het model de wortel van de spreads ( $\sqrt{x}$ ), wat de variantie stabiliseert, en brengt dit terug naar de ruwe eenheden via een verandering van variabelen.
Training: Het model wordt getraind via een $\beta$ -CVAE-doelstelling met een grote $\beta$ -weging. Dit dwingt de voorspellende structuur in het conditioneringstraject (observationele data + interventie) in plaats van in de latente code, wat ervoor zorgt dat het model kan generaliseren naar nieuwe taken zonder hertraining.

3. Belangrijkste Bijdragen

CIR-ACTIVA Model: Een nieuw geamortiseerd model voor de schatting van de distributionele causale effecten in multivariate CIR-processen. Het frameert trajecten als tijd-gestempelde observaties en maakt gebruik van een horizon-gebuckette decoder om te vangen hoe de respons op een schok evolueert over verschillende forecast-horizons.
Causale CIR-Simulator: Een synthetisch datagenererend proces dat gepaarde observationele en interventionele grondwaarheid produceert. Dit maakt het mogelijk om geamortiseerde causale inferentiemodellen te trainen en rigoureus te evalueren, een capaciteit die voorheen ontbrak voor tijdreeksdata.
Empirische Validatie: Het framework wordt geïnstantieerd op CDS-spreads. De auteurs demonstreren dat hun aanpak superieur is aan baselines in zowel causale selectiviteit (het afschermen van niet-beïnvloede series van fantoomschokken) als horizon-opgeloste kalibratie (het accuraat voorspellen van de evolutie van de schokrespons over de tijd).

4. Experimentele Resultaten

Het model werd geëvalueerd tegen vier baselines: de originele ACTIVA, MACE-TNP (een neurale procesestimator), een Gaussian Mixture Regression (GMR) baseline (niet-causaal) en een Oracle floor.

Causale Selectiviteit: CIR-ACTIVA presteerde significant beter dan de baselines in het onderscheiden van causale afstammelingen van niet-afstammelingen.
- Op niet-afstammelingen (causaal afgeschermde variabelen) daalde de fout van het model (het excess boven de Oracle) met 51–56% ten opzichte van de afstammelingen.
- In tegen tegenstelling hiertoe faalden baselines zoals GMR en ACTIVA om de fout voor niet-afstammelingen te reduceren, waarbij ze vaak "fantoom"-schokeffecten aan hen toeschreven. MACE-TNP vertoonde enige selectiviteit, maar verloor de helft van zijn effectiviteit wanneer de dynamiek tijdvariërend werd (cyclische variant).
Horizon-opgeloste Kalibratie: CIR-ACTIVA behaalde de laagste fout bij korte horizons, waar de overgang van observationele naar interventionele dynamiek het meest kritiek is.
- Op cyclische data was de nabij-horizon Energy score 0,46, aanzienlijk lager dan MACE-TNP, ACTIVA en GMR.
- Het voordeel bleef aanwezig over alle horizons op de niet-cyclische dataset.
Ablatieonderzoek: Het verwijderen van de expressieve latente ruimte (flow prior) of de gebukette decoder verslechterde de prestaties. De combinatie van beide was essentieel voor nauwkeurigheid op korte termijn, met name in de cyclische setting.

5. Betekenis en Claims

Het artikel claimt dat observationele voorspellingsnauwkeurigheid geen proxy is voor interventionele correctheid. In gekoppelde financiële systemen leidt het niet onderscheiden van correlatie en causaliteit tot concrete fouten: stresstests gebouwd op niet-causale modellen boeken verliezen en dimensioneren hedges tegen blootstellingen die niet bestaan.

CIR-ACTIVA adresseert dit door:

Een methode te bieden om "wat-als" vragen te beantwoorden op gekoppelde spread-systemen zonder per scenario te hoeven hertrainen.
Validiteit te bewijzen op synthetische grondwaarheid die onafhankelijk is van hoe goed de simulator de realiteit benadert, terwijl het nog steeds praktische verankering demonstreert door middel van backtesting tegen echte CDS-data.
Een gecontroleerde benchmark (de causale CIR-simulator) aan te bieden voor toekomstige causale forecasters.

De auteurs zijn bescheiden over de beperkingen: de synthetische grondwaarheid onderschat de schokpersistentie en de frequentie van grote bewegingen (dikke staarten) die in echte markten worden aangetroffen, wat betekent dat de gerapporteerde scores waarschijnlijk een optimistische bovengrens vormen voor de prestaties in de echte wereld. Daarnaast wordt de huidige implementatie getest op systemen van drie namen; het schalen naar portfolio-omvang panels blijft een aparte uitdaging. Echter, het framework is agnostisch voor de specifieke activaklasse en toepasbaar op elke mean-reverting reeks die met CIR wordt gemodelleerd (bijv. korte rentestanden, stochastische volatiliteit).