Time Series Experiments and Causal Estimands: Exact Randomization Tests and Trading
时间序列实验与因果目标量：精确随机化检验及交易应用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。
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：摘要明确结合潜在结果、随机化因果检验与单条时间序列实验，对应因果推断和时间序列方法。
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
时间序列实验与因果目标量：精确随机化检验及交易应用
- 研究问题
- 如何在单条时间序列实验中定义和估计因果效应，处理时间维度，并开展精确随机化检验及区间推断？
- 方法与思路
- 作者将潜在结果框架扩展到时间序列，构造随机化检验，推导一般中心极限定理，并提出三种扩展到多单位的方法。
- 材料陈述的贡献
- 摘要称框架支持一大类因果目标量、精确随机化 p 值和保守推断，并用于具有因果解释的模拟及股指期货交易方式比较。
- 阅读关注点
- 应核对处理分配机制、潜在结果的时间依赖、精确检验对应的原假设，以及中心极限定理与多单位扩展的限制。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；摘要未说明随机化与时间依赖的具体要求或交易效应数值，不能推断刊本变化。
原文摘要
We define causal estimands for experiments on single time series, extending the potential outcome framework to dealing with temporal data. Our approach allows the estimation of a broad class of these estimands and exact randomization-based p-values for testing causal effects, without imposing stringent assumptions. We further derive a general central limit theorem that can be used to conduct conservative tests and build confidence intervals for causal effects. Finally, we provide three methods for generalizing our approach to multiple units that are receiving the same class of treatment, over time. We test our methodology on simulated “potential autoregressions,” which have a causal interpretation. Our methodology is partially inspired by data from a large number of experiments carried out by a financial company who compared the impact of two different ways of trading equity futures contracts. We use our methodology to make causal statements about their trading methods. Supplementary materials for this article are available online.