Towards Causal Market Simulators
迈向因果市场模拟器AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确生成金融时间序列，并将反事实市场路径用于压力测试和风险评估。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
迈向因果市场模拟器
- 研究问题
- 如何生成兼顾时间依赖与因果关系的金融反事实序列，使合成市场数据能够服务于情景分析和风险评估？
- 方法与思路
- 作者提出 TNCM-VAE，将变分自编码器与结构因果模型结合，在解码器中施加有向无环图约束，并采用因果 Wasserstein 距离训练。
- 材料陈述的贡献
- 摘要称，该模型在受 Ornstein–Uhlenbeck 过程启发的合成自回归实验中改善反事实概率估计，并可生成用于压力测试的市场路径。
- 阅读关注点
- 应核对因果图与结构方程的来源、反事实识别要求、时间依赖的实现，以及合成真值下的评价能否延伸至真实金融市场。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；验证来自合成模型，摘要未提供真实市场的风险评估证据。
原文摘要
Market generators using deep generative models have shown promise for synthetic financial data generation, but existing approaches lack causal reasoning capabilities essential for counterfactual analysis and risk assessment. We propose a Time-series Neural Causal Model VAE (TNCM-VAE) that combines variational autoencoders with structural causal models to generate counterfactual financial time series while preserving both temporal dependencies and causal relationships. Our approach enforces causal constraints through directed acyclic graphs in the decoder architecture and employs the causal Wasserstein distance for training. We validate our method on synthetic autoregressive models inspired by the Ornstein-Uhlenbeck process, demonstrating superior performance in counterfactual probability estimation with L1 distances as low as 0.03-0.10 compared to ground truth. The model enables financial stress testing, scenario analysis, and enhanced backtesting by generating plausible counterfactual market trajectories that respect underlying causal mechanisms.