Inferencia Causal para Alfa y Ejecución

Cada backtest que has ejecutado midió una correlación: cuando la señal se encendía, los rendimientos tendían a seguir. Cada euro que has asignado apostó por algo más fuerte y no demostrado — que la señal causa el rendimiento, de modo que activarla hace que aparezca el dinero. El abismo entre esas dos frases es el más caro de las finanzas cuantitativas, y casi nada en un temario quant estándar está construido para cerrarlo. El machine learning, los modelos de factores, las redes profundas, el arbitraje estadístico — todos son máquinas de predicción de primer nivel, y la predicción es precisamente lo que la confusión puede falsificar. Este curso es la crítica capstone que los cursos predictivos se han ganado el derecho a recibir: un tratamiento riguroso y centrado en las finanzas de por qué una ventaja predictiva y una ventaja causal son objetos distintos, y cómo saber cuál tienes de verdad.

Damos por hecho que ya has sobrevivido a la disciplina del sobreajuste de Deep Learning para Datos de Mercado y a la maquinaria del zoo de factores y el trading de spreads de Arbitraje Sistemático y Estadístico. Sabes que un Sharpe de backtest debe deflactarse, que las señales decaen, que el zoo de factores son en su mayoría fantasmas de minería de datos. La inferencia causal es la capa que falta bajo todo eso: el lenguaje formal para la pregunta «¿es esta relación estructural, o hay una tercera cosa que mueve ambas?». Es además el campo con la aplicación más afilada e infraenseñada de todo el trading — el impacto de mercado y el análisis de costes de transacción como problema causal, donde tu propia orden es el tratamiento, el movimiento de precio es el resultado, y el TCA ingenuo está irremediablemente confundido por por qué decidiste operar. El recorrido:

• La correlación no es alfa — la inferencia predecir-frente-a-causar enunciada con precisión: por qué un backtest fuera de muestra impecable sigue siendo solo evidencia de asociación, por qué asignar capital es una afirmación causal, y el catálogo de confusores (régimen, liquidez, masificación, selección) que falsifican una ventaja.
• Resultados potenciales y DAG causales — el marco de resultados potenciales de Rubin (mundos tratado frente a no tratado, el problema fundamental de la inferencia causal), los grafos acíclicos dirigidos causales como la gramática de los supuestos, y la distinción crucial entre un confusor (causa común que debes controlar) y un colisionador (efecto común que no debes controlar).
• La confusión y la trampa del control — por qué «controla por todo» es consejo de aficionado: el sesgo de colisionador, los malos controles (condicionar sobre un mediador o una variable post-tratamiento), el criterio de la puerta trasera, y una relectura limpia del problema del zoo de factores como problema de confusión y comparaciones múltiples.
• Experimentos naturales y diferencias en diferencias — los mercados rara vez te conceden un ensayo aleatorizado, pero te entregan cuasi-experimentos sin parar: reconstituciones de índices, shocks regulatorios, cambios de tick, inclusiones en índices. Estudios de eventos bien hechos, y diferencias en diferencias con su supuesto de tendencias paralelas.
• Variables instrumentales y regresión discontinua — cuando no puedes bloquear la puerta trasera, busca una palanca que mueva el tratamiento y nada más: la lógica de las variables instrumentales (relevancia + exclusión), la estimación en dos etapas, y la regresión discontinua alrededor de un umbral nítido (rango de pertenencia a un índice, umbrales de rating).
• Doble machine learning — cómo conservar tus modelos de boosting y profundos y además obtener una estimación causal insesgada: la ortogonalidad de Neyman, el cross-fitting, el partialling-out de confusores de alta dimensión con modelos ML de molestia, y por qué los estimadores plug-in ingenuos («mete el tratamiento entre las variables») están sesgados.
• El impacto de mercado como TCA causal — la aplicación estrella: tu operación mueve el precio, así que el coste realizado es un efecto de tratamiento; el TCA ingenuo está confundido porque operas más agresivamente justo cuando el mercado ya se mueve; el vínculo con la ejecución óptima y los límites honestos — confusores no observados, supuestos no verificables, y por qué un verdadero ensayo aleatorizado es un lujo que los mercados casi nunca conceden.

Al final leerás un backtest como un inferencista causal lee un estudio observacional: preguntando cuál es el tratamiento, cuál es el contrafactual, qué puertas traseras están abiertas, y si la «ventaja» sobrevive una vez bloqueados los confusores. Un examen final calificado te devuelve toda la disciplina al terminar, una pregunta bloqueada cada vez.