Este es el final puntuable de Inferencia causal para alfa y ejecución, y te devuelve toda la disciplina de golpe. Empezasteis separando las dos frases que suenan idénticas y cuestan fortunas distintas: la señal predice los rendimientos (la asociación de un backtest) frente a la señal causa los rendimientos (la afirmación que hace de verdad cada euro de capital) — y conocisteis el zoo de confusores (régimen, liquidez, masificación, selección) que finge una ventaja que ninguna partición train/test puede atrapar. A partir de ahí aprendisteis la gramática: resultados potenciales Y(1) e Y(0) y el problema fundamental de que solo ves uno de ellos; ATE frente a ATT y cómo la diferencia ingenua de medias es igual al efecto más un término de sesgo de selección; DAG causales con sus caminos de puerta trasera, y el contraste decisivo entre un confusor (una causa común que debes controlar) y un colisionador (un efecto común que controlarlo crea una asociación espuria). Aprendisteis por qué “controlar por todo” es una trampa — sesgo de colisionador, malos controles, mediadores postratamiento — y releísteis el zoo de factores como confusión más pruebas múltiples. Luego la escalera de estimación: experimentos naturales y diferencias en diferencias con tendencias paralelas; variables instrumentales (relevancia más la restricción de exclusión no contrastable) y regresión discontinua alrededor de un corte nítido; double machine learning con ortogonalidad de Neyman y cross-fitting para descontar confusores de alta dimensión sin envenenar la estimación causal. Y por fin el buque insignia: el impacto de mercado como ACT causal, donde tu propia orden es el tratamiento, el ACT ingenuo está confundido porque negocias con más fuerza justo cuando el mercado ya se está moviendo, y el límite honesto es que un verdadero ensayo aleatorizado es un lujo que los mercados casi nunca conceden. No se muestran pistas, cada respuesta se bloquea en cuanto la envías, y tu puntuación queda oculta hasta el final.
Repaso del curso
Big picture
Inferencia causal para alfa y ejecución — el arco completo
- Inferencia causal para alfa y ejecución
- 1 · La correlación no es alfa
- Backtest = estudio observacional (asociación)
- Asignación = apuesta causal (intervención)
- Zoo de confusores: régimen, liquidez, masificación, selección
- 2 · Resultados potenciales y DAG
- Y(1), Y(0); ves solo uno — el problema fundamental
- Diferencia ingenua de medias = ATT + sesgo de selección
- Confusor (causa común) frente a colisionador (efecto común)
- 3 · Confusión y la trampa del control
- Criterio de puerta trasera: cierra puertas traseras, no abras ninguna
- Sesgo de colisionador + malos controles (mediadores, postratamiento)
- Zoo de factores = confusión + pruebas múltiples
- 4 · Experimentos naturales y DiD
- Como-si-aleatorio: reconstituciones, shocks regulatorios
- Estudio de eventos: rendimientos anormales y CAR
- DiD = (cambio del tratado) menos (cambio del control); tendencias paralelas
- 5 · IV y RDD
- Instrumento: relevancia (contrastable) + exclusión (no)
- MC2E / Wald = cov(Z,Y) / cov(Z,X); riesgo de instrumento débil
- RDD: salto en un corte nítido; validez local
- 6 · Double machine learning
- Descontar confusores: residualizar Y y T
- Ortogonalidad de Neyman + cross-fitting
- Controla solo confusores OBSERVADOS; necesita solapamiento
- 7 · Impacto de mercado como ACT causal
- Tu operación es el tratamiento; el impacto es su efecto
- ACT ingenuo confundido por el motivo por el que operaste
- Ley de la raíz cuadrada; enlaza con la ejecución óptima; el ensayo aleatorizado es raro
- 1 · La correlación no es alfa
Una vuelta, un solo intento
Este es un examen puntuable e irreversible. Hay 24 preguntas, mostradas de una en una. En el instante en que envías una pregunta se bloquea: no hay botón de Atrás, ni reintento, ni Reiniciar. Una respuesta incorrecta simplemente suspende esa pregunta y el examen avanza; no puedes volver a ella. Tu puntuación acumulada queda oculta hasta la pantalla final. La nota para aprobar es del 70%. Algunas preguntas aceptan más de una opción correcta: lee todas las opciones antes de confirmar, porque una vez que envías, la respuesta es tuya.
Una única señal que jamás fue minada en los datos publica un coeficiente de información totalmente fuera de muestra y deflactado de 0,06 a lo largo de quince años, y luego pierde dinero en el momento en que se despliega. Todas las auditorías de sobreajuste salieron limpias. ¿Cuál es la explicación más probable?
Selecciona una respuesta para continuar.
Dónde te deja esto en la escalera quant
Apruebes o no, ahora llevas contigo la disciplina más rara de las finanzas cuantitativas: el hábito de leer un backtest como un estudio observacional y preguntar, antes de que se mueva un euro, cuál es el tratamiento, cuál es el contrafactual y qué puertas traseras están abiertas. Sabes dibujar el DAG, distinguir un confusor de un colisionador, rechazar el reflejo de “controlar por todo” y echar mano de la herramienta correcta — una reconstitución o una diferencia en diferencias, un instrumento o una discontinuidad, double machine learning para descontar el zoo de factores — para convertir una correlación en un efecto defendible. Y lo más valioso de todo: puedes apuntar esa lente a la única operación que causas sin ambigüedad, tu propia orden, y dejar de permitir que el ACT ingenuo confunda tu ejecución. El cierre honesto es el que se ha ganado todo el curso: los mercados rara vez conceden el ensayo aleatorizado, así que el objetivo nunca fue la prueba — fue un grado de creencia bien razonado, triangulado entre diseños imperfectos, sostenido con humildad y dimensionado en consecuencia. Ese criterio es lo que separa a un quant que cosecha ventajas estructurales de uno que alquila confusores y los llama alfa.