Naukowcy opracowali przełomową metodę szacowania wpływu na rynek, rozwiązując fundamentalny problem w finansach ilościowych. Zamiast pytać jaka będzie cena, właściwe pytanie to: jaka byłaby cena, gdybym nie handlował? To pytanie przyczynowe, a klasyczne modele typu Almgren-Chriss po prostu regresują cenę na przepływ kapitału, co prowadzi do błędu gdy transakcje mogą przesuwać ceny zarówno przez efekt handlu, jak i informacyjny. Zespół stworzył Causal Market Simulator - model sieci neuronowej przystosowanej do danych (PFN) trenowany na syntetycznym rynku, gdzie ukryty przepływ informacyjny może zniekształcać relację między handlem a ceną w kontrolowany sposób.
Wyniki są obiecujące. Na danych syntetycznych naiwny estymator przeszacowuje wpływ nawet do 68 procent, podczas gdy model przyczynowy śledzi prawidłowe wartości nawet przy wysokim poziomie zniekształceń. W teście zero-shot na symulatorze limit order book ABIDES model prawidłowo odpowiadał na metaorders z błędem poniżej jednego standardowego odchylenia. Ważne - metodę sprawdzono na ponad 2300 wybuchów przepływu kapitału w kontraktach wieczystych Bitcoin, Ethereum i Solany oraz 3800 incydentów na akcjach Nasdaq, co sugeruje możliwość transferu przyczynowego między rynkami.
To znaczenie dla praktyki jest ogromne. Dokładne szacowanie wpływu na rynek jest kluczowe dla algorytmicznych strategii tradingowych, optymalizacji wykonania transakcji i zarządzania ryzykiem. Dotychczasowe modele często nieświadomie przypisywały rynkowe ruchy handlowi zamiast informacji, co mogło prowadzić do podejmowania nieoptimalnych decyzji. Nowe podejście bazujące na przyczynowości otwiera drzwi do bardziej trafnych analiz i precyzyjniejszych prognoz skutków wykonywania dużych zleceń na rynkach finansowych.