Перейти к содержимому
The Algotrading Book

Глава 108: Медиационный анализ для финансов

Эта глава посвящена медиационному анализу — мощной технике каузального вывода для понимания механизмов, посредством которых одна переменная влияет на другую. На финансовых рынках медиационный анализ помогает раскрыть причинно-следственные пути, объясняющие как факторы влияют на доходность — напрямую или через промежуточные механизмы, такие как настроения, ликвидность или волатильность.

Содержание

  1. Введение в медиационный анализ
  2. Основные концепции
  3. Математические основы
  4. Финансовые приложения
  5. Практические примеры
  6. Реализация на Rust
  7. Реализация на Python
  8. Лучшие практики
  9. Ресурсы

Введение в медиационный анализ

Что такое медиация?

Медиационный анализ исследует механизм или путь, через который независимая переменная (воздействие) влияет на зависимую переменную (исход). Вместо простого вопроса “Влияет ли X на Y?”, медиация спрашивает “Как X влияет на Y, и какую роль в передаче этого эффекта играет M?”

Простой прямой эффект:


    Воздействие (X) ─────────────────────► Исход (Y)


                  "X напрямую вызывает Y"




Опосредованный эффект:


    Воздействие (X) ────► Медиатор (M) ────► Исход (Y)
         │                                      ▲
         └──────── прямой путь ─────────────────┘


                  "X вызывает M, M вызывает Y"
                  "X также имеет прямой эффект на Y"

В финансах мы часто хотим понять не только то, что фактор предсказывает доходность, но как и почему он это делает. Медиационный анализ обеспечивает это механистическое понимание.

Зачем медиационный анализ для трейдинга?

Традиционное факторное инвестирование идентифицирует предикторы доходности, но не объясняет экономический механизм:

Традиционный факторный анализ:


    Сюрприз прибыли ──?──► Доходность акций


    "Положительные сюрпризы прибыли предсказывают положительную доходность"
    Но ПОЧЕМУ? Через какой механизм?




Медиационный анализ:


    Сюрприз прибыли ────► Пересмотры аналитиков ────► Доходность акций
           │                                              ▲
           └──────────── изменение настроений ────────────┘


    Теперь мы понимаем:
    1. Часть эффекта работает через поведение аналитиков (косвенно)
    2. Часть эффекта прямая (реакция рынка на новости)

Преимущества для трейдинга:

  1. Устойчивые альфа-сигналы: Понимание механизма помогает отличить устойчивые факторы от ложных
  2. Тайминг стратегий: Если канал медиатора заблокирован, фактор может не работать
  3. Управление рисками: Прямые и косвенные эффекты могут иметь разные профили риска
  4. Новые факторы: Сами медиаторы становятся кандидатами на альфа-факторы
  5. Детекция режимов: Изменения в паттернах медиации сигнализируют о смене режимов

Прямые и косвенные эффекты

Ключевое понимание медиационного анализа — декомпозиция полного эффекта на компоненты:

ПОЛНЫЙ ЭФФЕКТ = ПРЯМОЙ ЭФФЕКТ + КОСВЕННЫЙ ЭФФЕКТ


┌──────────────────────────────────────────────────────────────────────┐
│                                                                       │
│   Полный эффект макроновостей на доходность акций                    │
│                                                                       │
│   ┌─────────────────┬─────────────────┬─────────────────────────┐   │
│   │                 │                  │                         │   │
│   │  ПРЯМОЙ ЭФФЕКТ  │  КОСВ. ЭФФЕКТ    │  КОСВ. ЭФФЕКТ           │   │
│   │  (30%)          │  через           │  через Секторную        │   │
│   │                 │  Волатильность   │  Ротацию                │   │
│   │  Рынок реагирует│  (45%)           │  (25%)                  │   │
│   │  мгновенно на   │  Новости → Вол ↑ │  Новости → Потоки       │   │
│   │  информацию     │  → Премия риска  │  → Веса секторов        │   │
│   │                 │  → Доходность    │  → Доходность           │   │
│   │                 │                  │                         │   │
│   └─────────────────┴─────────────────┴─────────────────────────┘   │
│                                                                       │
└──────────────────────────────────────────────────────────────────────┘

Основные концепции

Структура медиации

Классическая модель медиации включает три переменные:

Переменные:
    X = Воздействие/Независимая переменная (причина)
    M = Медиатор (механизм/путь)
    Y = Исход/Зависимая переменная (эффект)


Структура медиации:


         a                    b
    X ─────────► M ───────────► Y
    │                           ▲
    └──────────── c' ───────────┘
              (прямой эффект)


Пути:
    c  = Полный эффект X на Y (без M в модели)
    c' = Прямой эффект X на Y (контролируя M)
    a  = Эффект X на M
    b  = Эффект M на Y (контролируя X)


    Косвенный эффект = a × b
    Прямой эффект   = c'
    Полный эффект   = c = c' + a×b

Полный, прямой и косвенный эффекты

Полный эффект (c): Общий эффект X на Y, игнорируя любые медиаторы

# Регрессия полного эффекта
Y = τ₀ + c·X + ε


# Пример: Сентимент новостей → Доходность акций
returns = β₀ + 0.15·sentiment + ε
#                  ↑
#           Полный эффект = 0.15

Прямой эффект (c’): Эффект X на Y при фиксированном M

# Регрессия прямого эффекта (контролируя медиатор)
Y = τ₀ + c'·X + b·M + ε


# Пример: Сентимент новостей → Доходность, контролируя объём торгов
returns = β₀ + 0.08·sentiment + 0.12·volume + ε
#                  ↑
#           Прямой эффект = 0.08

Косвенный эффект (a×b): Эффект X на Y, который действует через M

# Шаг 1: Эффект X на M
M = α₀ + a·X + ε₁
# volume = β₀ + 0.58·sentiment + ε₁
#                    ↑
#             a = 0.58


# Шаг 2: Эффект M на Y (из регрессии прямого эффекта)
# b = 0.12


# Косвенный эффект = a × b = 0.58 × 0.12 = 0.07


# Проверка: Полный = Прямой + Косвенный
# 0.15 ≈ 0.08 + 0.07 ✓

Типы медиации

┌─────────────────────────────────────────────────────────────────────┐
│                        ТИПЫ МЕДИАЦИИ                                 │
├─────────────────────────────────────────────────────────────────────┤
│                                                                      │
│  1. ПОЛНАЯ МЕДИАЦИЯ (c' ≈ 0)                                        │
│                                                                      │
│        a                    b                                        │
│     X ───────► M ───────────► Y                                     │
│                                                                      │
│     Весь эффект X на Y идёт через M.                                │
│     При контроле M, X не влияет на Y.                               │
│                                                                      │
│  2. ЧАСТИЧНАЯ МЕДИАЦИЯ (c' ≠ 0 и a×b ≠ 0)                          │
│                                                                      │
│        a                    b                                        │
│     X ───────► M ───────────► Y                                     │
│     │                         ▲                                      │
│     └────────── c' ───────────┘                                     │
│                                                                      │
│     X влияет на Y как напрямую, ТАК И через M.                      │
│                                                                      │
│  3. НЕТ МЕДИАЦИИ (a×b ≈ 0)                                          │
│                                                                      │
│     X ───────────────────────────────────────────► Y                 │
│     │                                                                │
│     └───────► M    (M не на каузальном пути)                        │
│                                                                      │
│  4. ПОДАВЛЕНИЕ (противоположные знаки)                              │
│                                                                      │
│     Прямой и косвенный эффекты имеют ПРОТИВОПОЛОЖНЫЕ знаки.         │
│     Полный эффект может быть меньше любого компонента!              │
│                                                                      │
└─────────────────────────────────────────────────────────────────────┘

Предположения для идентификации

Для идентификации каузальных эффектов медиационным анализом необходимы:

ПРЕДПОЛОЖЕНИЯ КАУЗАЛЬНОЙ МЕДИАЦИИ:


1. НЕТ НЕНАБЛЮДАЕМОГО КОНФАУНДИНГА X → Y


2. НЕТ НЕНАБЛЮДАЕМОГО КОНФАУНДИНГА M → Y
   (необходимо контролировать конфаундеры)


3. НЕТ НЕНАБЛЮДАЕМОГО КОНФАУНДИНГА X → M


4. X НЕ ВЛИЯЕТ НА КОНФАУНДЕРЫ M→Y (Последовательная игнорируемость)

Математические основы

Подход Барона и Кенни

Классический подход (Baron & Kenny, 1986) использует серию регрессий:

ЧЕТЫРЕ ШАГА БАРОНА И КЕННИ:


Шаг 1: Показать, что X предсказывает Y (установить полный эффект)
    Y = τ₀ + c·X + ε                    Тест: c ≠ 0


Шаг 2: Показать, что X предсказывает M
    M = α₀ + a·X + ε₁                   Тест: a ≠ 0


Шаг 3: Показать, что M предсказывает Y при контроле X
    Y = τ'₀ + c'·X + b·M + ε₂          Тест: b ≠ 0


Шаг 4: Показать, что прямой эффект уменьшился
    Сравнить c (Шаг 1) с c' (Шаг 3)
    Полная медиация: c' ≈ 0
    Частичная медиация: |c'| < |c| но c' ≠ 0


Статистический тест для косвенного эффекта (тест Собеля):


    z = (a·b) / √(b²·SE(a)² + a²·SE(b)²)

Каузальный медиационный анализ

Современный каузальный медиационный анализ использует фреймворк потенциальных исходов (Imai, Keele, & Tingley, 2010):

ОБОЗНАЧЕНИЯ ПОТЕНЦИАЛЬНЫХ ИСХОДОВ:


Y(x, m) = Потенциальный исход при воздействии X=x и медиаторе M=m
M(x)    = Потенциальное значение медиатора при воздействии X=x


ДЕКОМПОЗИЦИЯ КАУЗАЛЬНОГО ЭФФЕКТА:


Полный эффект = E[Y(1, M(1))] - E[Y(0, M(0))]


            = E[Y(1, M(1))] - E[Y(1, M(0))]     ← Косвенный эффект
            + E[Y(1, M(0))] - E[Y(0, M(0))]     ← Прямой эффект

Фреймворк потенциальных исходов

НАТУРАЛЬНЫЙ ПРЯМОЙ ЭФФЕКТ (NDE):


    NDE(x) = E[Y(1, M(x)) - Y(0, M(x))]


    "Эффект X на Y когда M удерживается на своём натуральном значении M(x)"


НАТУРАЛЬНЫЙ КОСВЕННЫЙ ЭФФЕКТ (NIE):


    NIE(x) = E[Y(x, M(1)) - Y(x, M(0))]


    "Эффект сдвига M от необработанного к обработанному значению,
     при фиксированном X на уровне x"


ДЕКОМПОЗИЦИЯ:


    Полный эффект = NDE(0) + NIE(1) = NDE(1) + NIE(0)

Финансовые приложения

Декомпозиция факторной доходности

Понимание того, как генерируется факторная доходность через различные каналы:

ПРИМЕР МЕДИАЦИИ ФАКТОРНОЙ ДОХОДНОСТИ: Моментум


Вопрос: Как прошлая доходность (X) предсказывает будущую доходность (Y)?
        Какую роль играет торговая активность (M)?


    Прошлая доходность ────► Объём торгов ────► Будущая доходность
    (моментум)                   ↑                     ▲
                                 │                     │
                          внимание инвесторов          │
                                 │                     │
                                 └─── прямой моментум ─┘


Гипотезы:
1. ПРЯМОЙ ЭФФЕКТ: Ценовые тренды продолжаются из-за медленной диффузии информации
2. КОСВЕННЫЙ ЭФФЕКТ: Высокая доходность → Внимание → Объём → Давление цены → Доходность


Импликации:
- Если доминирует косвенный: Моментум работает через поведенческие каналы
- Если доминирует прямой: Моментум отражает фундаментальную информацию


Инсайт для торговой стратегии:
- Мониторить объём для оценки активного канала
- Моментум с высоким объёмом: Поведенческий, может развернуться
- Моментум с низким объёмом: Информационный, может продолжиться

Медиация новостных настроений

АНАЛИЗ ПУТИ ВЛИЯНИЯ НОВОСТЕЙ:


Воздействие (X): Сюрприз объявления прибыли
Медиатор (M): Пересмотры настроений аналитиков
Исход (Y): 30-дневная пост-объявленческая доходность


Модель:
    M = α + a·X + ε₁
    Y = β + c'·X + b·M + ε₂


Пример результатов:
    a  = 0.45  (сюрприз прибыли → пересмотры аналитиков)
    b  = 0.28  (пересмотры аналитиков → доходность)
    c' = 0.12  (прямой эффект)


    Косвенный = 0.45 × 0.28 = 0.126
    Полный    = 0.12 + 0.126 = 0.246


Интерпретация:
    ┌────────────────────────────────────────────────────────────┐
    │                                                             │
    │  Полный эффект сюрприза прибыли: +24.6 б.п.                │
    │                                                             │
    │  ├── Прямой эффект:   +12.0 б.п. (49%)                     │
    │  │   └── Немедленная реакция рынка на новость              │
    │  │                                                          │
    │  └── Косвенный эффект: +12.6 б.п. (51%)                    │
    │      └── Опосредованный через пересмотры аналитиков        │
    │                                                             │
    │  Вывод: Торговый сигнал должен учитывать скорость          │
    │         пересмотра аналитиков как индикатор тайминга       │
    │                                                             │
    └────────────────────────────────────────────────────────────┘

Ликвидность как медиатор

МЕДИАЦИЯ ЛИКВИДНОСТИ В ЦЕНОВОМ ВОЗДЕЙСТВИИ:


    Дисбаланс ────► Ликвидность ────► Ценовое
    потока ордеров       ↑           воздействие
        │                │                 ▲
        │         затраты на               │
        │         инвентарь                │
        └───────── прямое воздействие ─────┘


Прямой эффект: Крупные ордера механически двигают цену
Косвенный эффект: Ордера → Уход ликвидности → Большее воздействие


Это важно для исполнения:
- В режиме высокой ликвидности: Доминирует прямой эффект
- В режиме низкой ликвидности: Происходит косвенное усиление


Торговое правило:
    Если текущая_ликвидность < порог:
        # Косвенный эффект силён - больше дробить ордер
        срочность_исполнения = НИЗКАЯ
    иначе:
        # Доминирует прямой эффект - можно исполнять быстрее
        срочность_исполнения = ВЫСОКАЯ

Практические примеры

Подробные примеры кода доступны в английской версии README.md, включая:

  1. Подготовка данных - загрузка данных с фондового рынка и криптовалют (Bybit)
  2. Классический медиационный анализ - реализация подхода Барона-Кенни
  3. Каузальная медиация с анализом чувствительности - современный подход
  4. Торговая стратегия на основе медиации - генерация сигналов
  5. Бэктестинг - комплексный фреймворк тестирования

Реализация на Rust

Высокопроизводительная реализация на Rust для production-систем включает:

  • MediationAnalyzer - основной анализатор медиации
  • Оценку путей a, b и c’
  • Тест Собеля для косвенного эффекта
  • Генерацию торговых сигналов

Реализация на Python

Полный Python-модуль включает:

  • MediationAnalyzer - анализатор медиации
  • CausalMediationAnalysis - каузальный медиационный анализ
  • baron_kenny_mediation - классический метод
  • bootstrap_mediation - бутстрэп доверительные интервалы
  • MediationTradingStrategy - торговая стратегия
  • MediationBacktester - бэктестер

Лучшие практики

Когда использовать медиационный анализ в трейдинге

┌──────────────────────────────────────────────────────────────────────┐
│                РУКОВОДСТВО ПО ИСПОЛЬЗОВАНИЮ МЕДИАЦИОННОГО АНАЛИЗА    │
├──────────────────────────────────────────────────────────────────────┤
│                                                                       │
│  ✅ ИСПОЛЬЗУЙТЕ МЕДИАЦИЮ КОГДА:                                      │
│                                                                       │
│  1. У вас есть ясная каузальная гипотеза                            │
│     "Новости → Настроения → Доходность"                              │
│                                                                       │
│  2. Медиатор измерим и торгуем                                       │
│     Объём, волатильность, оценки настроений, ставки финансирования  │
│                                                                       │
│  3. Вы хотите понять ПОЧЕМУ фактор работает                         │
│     Не просто что моментум предсказывает доходность, но КАК         │
│                                                                       │
│  4. Вам нужно таймировать стратегии                                  │
│     Когда канал медиации активен vs заблокирован?                   │
│                                                                       │
│  ❌ ИЗБЕГАЙТЕ МЕДИАЦИИ КОГДА:                                        │
│                                                                       │
│  1. Вас интересует только предсказание, не механизм                 │
│     Чистые ML-подходы могут быть эффективнее                        │
│                                                                       │
│  2. Потенциальные медиаторы не наблюдаемы                           │
│     "Частная информация" - не измеримый медиатор                    │
│                                                                       │
│  3. Вы не можете защитить предположения идентификации               │
│     Если конфаундинг серьёзен и не измерим                          │
│                                                                       │
│  4. Размеры выборок очень малы                                       │
│     Нужно 200+ наблюдений для надёжной медиации                     │
│                                                                       │
└──────────────────────────────────────────────────────────────────────┘

Распространённые ошибки

  1. Игнорирование ошибки измерения: Зашумлённые медиаторы ослабляют косвенные эффекты
  2. Предположение линейности: Финансовые отношения часто нелинейны
  3. Игнорирование временной динамики: Эффекты медиации могут быть лагированы и меняться во времени
  4. Пост-воздействующий конфаундинг: Переменные, затронутые воздействием, нельзя контролировать
  5. Переинтерпретация малых эффектов: Статистическая значимость ≠ экономическая значимость

Рекомендуемый рабочий процесс

1. РАЗРАБОТКА ГИПОТЕЗЫ
   └── Какой механизм, по вашему мнению, объясняет эффект?
   └── Медиатор измерим и надёжен?


2. ПОДГОТОВКА ДАННЫХ
   └── Обеспечить правильный временной порядок (X предшествует M предшествует Y)
   └── Корректно обработать пропуски
   └── Стандартизовать при сравнении размеров эффектов


3. ИССЛЕДОВАТЕЛЬСКИЙ АНАЛИЗ
   └── Проверить корреляции: X-M, M-Y, X-Y
   └── Построить графики временных рядов
   └── Искать смену режимов


4. ОЦЕНКА МЕДИАЦИИ
   └── Запустить Барона-Кенни как базовую линию
   └── Использовать бутстрэп для доверительных интервалов
   └── Запустить каузальную медиацию если предположения выполняются


5. АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ
   └── Проверить устойчивость к ненаблюдаемому конфаундингу
   └── Найти точку разрушения для выводов


6. РАЗРАБОТКА ТОРГОВОЙ СТРАТЕГИИ
   └── Создать сигналы на основе инсайтов медиации
   └── Бэктестить с реалистичными транзакционными издержками
   └── Анализировать производительность по режимам медиации


7. ВАЛИДАЦИЯ
   └── Out-of-sample тестирование
   └── Бумажная торговля перед реальным развёртыванием

Ресурсы

Ключевые статьи

  1. Baron, R. M., & Kenny, D. A. (1986). “The moderator-mediator variable distinction in social psychological research.” Journal of Personality and Social Psychology

    • Основополагающая статья по медиационному анализу

  2. Imai, K., Keele, L., & Tingley, D. (2010). “A general approach to causal mediation analysis.” Psychological Methods

    • Современный фреймворк каузальной медиации с анализом чувствительности

  3. VanderWeele, T. J. (2015). Explanation in Causal Inference: Methods for Mediation and Interaction. Oxford University Press.

    • Комплексный учебник по каузальной медиации

  4. Pearl, J. (2014). “Interpretation and identification of causal mediation.” Psychological Methods

    • Каузальная интерпретация прямых и косвенных эффектов

Программное обеспечение

  • Python: statsmodels, пакет mediation
  • R: пакет mediation от Imai, Keele, & Tingley
  • Rust: Собственная реализация в этой главе

Дополнительное чтение

  • Глава 96: Причинность по Грэнджеру в трейдинге
  • Глава 97: Каузальное открытие PCMCI
  • Глава 105: Difference-in-Differences в трейдинге
  • Глава 107: Propensity Score в трейдинге

Эта глава является частью серии “Машинное обучение для трейдинга”. Для вопросов или вкладов, пожалуйста, откройте issue на GitHub.