📖 AI 总结

本文提出一种基于因果基础模型的市场冲击估计方法，核心思路是将市场冲击视为因果量——关键问题不是价格会是多少，而是若未交易价格本会如何。传统模型（如Almgren-Chriss和传播子模型）将价格对订单流做回归，当知情流同时通过信息渠道影响价格时会产生偏差。作者构建了一个连续时间因果先验数据拟合网络（PFN），在合成市场先验上训练，其中隐藏信息流按构造混淆流价关系，且混淆强度可逐样本精确控制。实验显示，朴素估计器的偏差存在闭式解，实证中高估幅度可达68%，而PFN在高混淆下能逼近无偏的真实参数预言机；移除干预输入的消融版本则退化为窗口前均值。零样本条件下，模型在ABIDES限价订单簿中对元订单的响应达到真实尺度（+0.38个起始前标准差），并在BTC/ETH/SOL永续合约约2300次流爆发及纳斯达克股票约3800次事件上复现，结果与因果迁移一致但非确证。迁移的关键在于将元订单编码为增量流而非钳制价格，循环状态空间变体将冲击与实测元订单的相关性从+0.68提升至+0.92至+0.96。

🔑 关键词速览