다변량 CIR 과정에 대한 변동 완화 간섭 예측

Amortized Interventional Forecasting for Multivariate CIR Processes

금융 시장에서 평균 회귀 특성은 광범위하게 나타나며, Cox-Ingersoll-Ross (CIR) 모델은 이러한 시계열을 설명하는 표준 모델로 사용됩니다. 단기 금리부터 신용 부도 스왑(CDS) 스프레드까지 다양한 현상을 CIR 모델이 다룹니다. 그러나 CIR 모델은 변수 간의 상관 관계를 나타낼 뿐, 인과 관계는 파악하지 못합니다. 따라서 외부 충격이 발생했을 때 시스템이 어떻게 반응하는지에 대한 질문에 답할 수 없으며, 관측 데이터로는 과거의 상관 관계와 이러한 반응을 구별하기 어렵습니다. 본 연구에서는 두 가지 주요 기여를 합니다. 첫째, 분포 기반 인과 효과 추정 모델을 개발하여 시계열 데이터를 시간 순서대로 정렬된 관측치로 처리하고, 각 시나리오마다 재학습 없이 다중 기간에 걸친 충격 반응을 예측합니다. 둘째, 실제 시장에서 얻기 어려운 쌍으로 연결된 관측 및 인과 관계 기반의 데이터 생성 과정을 갖는 다변량 CIR 모델을 제시합니다. 본 연구에서는 CDS 스프레드를 사용하여 개발한 프레임워크를 구현하고 검증했습니다. CIR-ACTIVA 모델의 유효성은 시뮬레이션된 데이터를 통해 확인되었으며, 실제 시장과의 유사성과는 별개로 평가됩니다. 또한, 생성된 데이터 트레이스를 실제 CDS 데이터와 비교하는 백테스팅을 통해 실용적인 가치를 평가합니다. 관측 데이터 기반 및 변동 완화 인과 추론 모델과 비교했을 때, CIR-ACTIVA는 공동 분포에서의 인과 관계 선택성 및 시계열별 정확도 측면에서 우수한 성능을 보입니다. 특히, 시간에 따라 인과 관계 법칙이 변화하는 경우에도 이러한 장점을 유지하며, 단기 구간에서 더욱 두드러진 효과를 나타냅니다. 이를 통해 CDS 스트레스 테스트와 같은 연관된 스프레드 시스템에 대한 다양한 시나리오 기반 분석을 가능하게 하며, 이는 기존의 관측 데이터 기반 예측 모델로는 답변할 수 없는 질문들에 대한 해답을 제공합니다.

Mean-reverting dynamics are pervasive in finance, and the Cox--Ingersoll--Ross (CIR) process is a standard model for the time series they produce, from short rates to credit default swap (CDS) spreads. Yet CIR models capture only \emph{correlated} co-movement, not \emph{causal} influence between series, so they cannot answer the system's response when one series is externally shocked, which observational conditionals confound with historical co-movement. We make two contributions. First, an amortized model for distributional causal effect estimation that frames trajectories as time-stamped observations and predicts the calibrated multi-horizon shock response without retraining per scenario. Second, a causal multivariate CIR data-generating process that supplies the paired observational and interventional ground truth that real markets cannot. We instantiate and calibrate the framework on CDS spreads as a testbed. CIR-ACTIVA's validity is established on synthetic ground truth, independent of how well the simulator matches reality, while practical grounding is assessed by backtesting the generated traces against real CDS data. Against observational and amortized causal-inference baselines, CIR-ACTIVA leads on both causal selectivity in the joint distribution and horizon-resolved calibration, retaining its selectivity once the interventional law varies over the horizon, with gains concentrating at short horizons. This opens up a class of what-if queries on coupled spread systems, CDS stress testing among them, that observational forecasters cannot answer.