Validación causal de DML en opciones del S&P 500
Resumen
Este cuaderno especifica y ejecuta un análisis de doble aprendizaje automático del efecto de la prima de riesgo de varianza en los retornos de opciones cortas hasta el vencimiento. Antes de la ejecución, define el tratamiento, el resultado, los factores de confusión, los tiempos, el modelo auxiliar, el diseño de validación cruzada temporal, el estimador de covarianza y el procedimiento de refutación con placebo. El cálculo se delega a un ejecutor compartido que comprueba los factores de confusión requeridos, las particiones temporales, los ajustes auxiliares y el error estándar HAC, y luego publica un artefacto vinculado a la identidad resuelta de la solicitud.
Un cambio metodológico central afecta a la prueba placebo. El documento explica que permutar el tratamiento por bloques puede inflar la varianza residual y estrechar artificialmente las estimaciones del efecto placebo, lo que produce un resultado de refutación demasiado favorable. Por eso, compara estadísticos t de HAC, que incorporan la incertidumbre, en lugar de las estimaciones de efecto sin procesar. El cuaderno presenta un resultado retirado como motivación del cambio, pero su objetivo es la ejecución y validación; la interpretación de la nueva estimación causal se reserva para otro análisis. La evidencia corresponde a este tratamiento, resultado y población de análisis declarada, y una ejecución satisfactoria por sí sola no demuestra una conclusión causal.
Ideas clave
- La solicitud DML define el estimando, los tiempos, los factores de confusión, el modelo auxiliar y el diseño de inferencia antes del ajuste.
- Las particiones temporales y la covarianza HAC se especifican para reflejar el horizonte del resultado.
- La permutación por bloques puede distorsionar las estimaciones del efecto placebo cuando cambia la varianza residual del tratamiento.
- Comparar los estadísticos t de HAC del placebo y los observados incorpora la incertidumbre en la comprobación de refutación.
- Un artefacto validado registra que terminó el cálculo solicitado, pero la interpretación sustantiva se deja para después.
Etiquetas
Texto completo
# S&P 500 Options: Causal DML Execution
# S&P 500 Options: Causal DML Execution
This notebook estimates the effect of the variance-risk-premium treatment on the
return-to-expiry outcome. It declares the request through the shared causal boundary and exposes
the resolved estimand, timing, confounders, nuisance model, covariance design, and refutation
protocol before execution.
`11_model_analysis` interprets the causal estimates. This notebook validates the computation
and publishes its artifact only.
Prerequisites: `03_financial_features`, `04_model_based_features`, and `05_evaluation`.
```python
"""Execute the declared S&P 500 options causal DML request."""
import polars as pl
from case_studies.research import causal_supersedes
from case_studies.sp500_options.research_workflow import open_study
```
```python
EXECUTION_TIER = "canonical"
WORKSPACE: str = ""
PREVIEW_REDUCTIONS: dict = {}
# Retired by this run: the block-permutation refutation now compares the HAC t-statistic
# rather than the raw effect, so CAUSAL_RUNNER_VERSION moved and every causal identity with
# it. The rows named here hold a p-value computed on the shrunken placebo effects; this run
# supersedes them rather than correcting them, because the statistic is different, not the
# arithmetic. Read out of each registry's current canonical identity per label, 2026-09-10.
SUPERSEDES_CAUSAL: str = "d034b82943c5"
```
## Declared and resolved request
A preview must declare all sample, symbol, fold, or placebo reductions. Canonical execution uses
the complete pre-holdout analysis population.
### What `SUPERSEDES_CAUSAL` retires here
`CausalResult.one` resolves a label to exactly one canonical identity, so a refit has to name the
identity it replaces or the registry is left with two and refuses. The retired identity is
`d034b82943c5`.
What changed is the refutation statistic, not the fit. The placebo loop used to compare each
permuted run's *effect estimate* against the observed effect. Block-permuting the treatment frees
it from the controls, so the first stage can no longer predict it and its residual keeps nearly
all its variance. That residual variance is the whole denominator of the second-stage effect, so
every placebo effect is divided by a larger number than the observed one and the placebo
distribution comes out narrower than the null it stands for. The bias runs one way, toward a
refutation that reads as passed. The comparison is now on the HAC t-statistic, which carries the
denominator in it and cancels the inflation.
The retired identity fitted the same 166,105 observations and reported the same effect of 0.4098
with a HAC standard error of 0.3509, so p = 0.243 under either statistic. Its refutation p was
0.0099, the smallest value 100 draws can report, for an effect whose own t-statistic is 1.17.
Sitting at that floor is the signature. This notebook registers and hands off; the new row is
read and interpreted in `11_model_analysis`.
```python
study = open_study(execution_tier=EXECUTION_TIER, workspace=WORKSPACE or None)
request_table = pl.DataFrame(
{
"method": ["dml"],
"label": ["ret_to_expiry"],
"config_name": ["dml"],
"execution_tier": [EXECUTION_TIER],
}
)
request_table
```
```python
request = study.causal(
**request_table.row(0, named=True),
preview_reductions=PREVIEW_REDUCTIONS,
supersedes=causal_supersedes(
study,
SUPERSEDES_CAUSAL,
"ret_to_expiry",
labels=["ret_to_expiry"],
execution_tier=EXECUTION_TIER,
),
)
resolved = request.resolve()
computation = resolved.spec["computation"]
estimand = computation["estimand"]
causal_plan = pl.DataFrame(
{
"treatment": [estimand["treatment"]],
"outcome": [estimand["outcome"]],
"confounders": [", ".join(estimand["confounders"])],
"treatment_observed_at": [estimand["treatment_observed_at"]],
"outcome_horizon": [estimand["outcome_horizon"]],
"folds": [computation["cv"]["n_folds"]],
"embargo_periods": [computation["cv"]["embargo_periods"]],
"nuisance_model": [computation["model"]["class"]],
"covariance": ["HAC with the outcome horizon"],
"placebo_method": [computation["refutation"]["method"]],
"placebo_block": [computation["refutation"]["block_size"]],
"placebo_block_basis": [computation["refutation"]["block_size_basis"]],
"analysis_rows": [computation["analysis_population"]["n_rows"]],
"training_hash": [resolved.identity],
}
)
causal_plan
```
## Execute and validate
The shared DML runner fails on missing confounders, invalid temporal folds, incomplete nuisance
fits, or a non-finite HAC standard error. A cached result must match the complete resolved
identity before it can be reused.
```python
if EXECUTION_TIER == "preview" and (not WORKSPACE or not PREVIEW_REDUCTIONS):
raise ValueError("preview execution requires WORKSPACE and PREVIEW_REDUCTIONS")
result = resolved.run()
if not result.complete or result.hash != resolved.identity:
raise RuntimeError("causal execution did not publish the complete resolved request")
```
```python
artifact = pl.DataFrame(
{
"causal_hash": [result.hash],
"label": [resolved.spec["label"]],
"execution_tier": [result.execution_tier],
"complete": [result.complete],
}
)
artifact
```
The registered causal artifact is the handoff to `11_model_analysis`. No estimate or empirical
conclusion is interpreted here.Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: MIT
Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.