通过因果基础模型估计市场冲击

arXiv:2610.12537v1 公告类型：新论文 摘要：当交易者执行一笔大额订单时，关键问题不是\emph{价格会是多少？}，而是\emph{如果我没有交易，价格本来会是多少？}因此，市场冲击是一个因果量，然而经典模型（Almgren--Chriss、传播子模型）将价格对订单流进行回归，只要知情订单流既通过信息又通过交易推动价格，这种方法就会产生偏差。我们提出了一个概念验证性的 \emph{Causal Market Simulator}：一种连续时间因果先验数据拟合网络（PFN），在合成市场先验上训练。该先验在构造上使隐藏的信息性订单流混杂订单流与价格之间的关系，并将混杂强度设为每个模拟回合均可精确调节的参数。在该先验下，朴素估计器的偏差遵循一个闭式表达式，我们通过实证验证了这一点（高估幅度最高达 68\%）；而在强混杂条件下，PFN 的表现接近使用真实参数的无偏理想估计器。它的 \emph{do 消融孪生模型}，即移除干预输入后的同一模型，则退化为输出前置窗口均值。在零样本条件下，模型对 ABIDES 限价订单簿中的元订单作出了与真实值尺度一致的响应（相对于随机种子重放生成的反事实，响应为起始前标准差的 $+0.38$ 倍）；其干预响应也在 BTC/ETH/SOL 永续合约中检测到的约 2,300 次订单流突增，以及 Nasdaq 股票中的 3,800 次订单流突增上得到复现。这些证据与因果迁移相符，但并不能证明因果迁移。偏离先验分布时，响应性能平缓下降，而分割保形重校准能够修复区间校准。迁移的关键在于将元订单编码为新增订单流，而非固定的价格水平，而不在于增加训练。一个循环状态空间变体弥合了剩余的形态差距：其冲击在执行期间逐步累积，而 Transformer 的冲击则保持平坦，使其与实测元订单冲击的相关系数从 $+0.68$ 提升至 $+0.92$ 至 $+0.96$，代价是在先验分布内的去混杂能力较弱；这一弱化源于训练方案，而非循环结构。