李东晨 - 因果推断在金融场景中的应用

因果推断在金融场景中的应用

01 什么是因果推断

相关关系 vs. 因果关系

• 相关关系：两个变量之间存在统计上的关联，但无法直接支持决策。例如，掉进游泳池淹死的人数与影星尼古拉斯·凯奇参演电影数在1999年至2009年间呈现强正相关性，但两者并无因果关系。
• 因果关系：当保持其他条件不变，改变某个变量会直接影响目标变量的变化。例如，降低价格通常会提升交易量。

相关≠因果

• 辛普森悖论：说明相关性不等于因果性，因为存在干扰因素（Confounders）。例如，运动时间越长，胆固醇含量越高，可能因为运动者年龄较大。

因果推断基本概念

• Confounders（混淆因子）：同时影响Treatment分配和结果Y的变量。例如，用户需求（Confounder）和发券类型（Treatment）共同影响是否使用信（Outcome）。

02 为什么使用因果推断

因果推断适合解决的问题

• 医学：不同用户对药剂的敏感程度不同，如何搭配最合适的服药剂量以达到最大治愈率。
• 经济学：教育时长与收入的关系，教育程度往往与年龄和智商相关，难以直接证明因果关系。
• 小满：不同用户对权益（优惠券）的敏感程度不同，如何在控制成本的情况下达到效率最高。

因果推断的主流框架

• Potential Outcome Model（潜在输出框架）：预估施加干预后的效果，一个用户在同一时间内仅能观测到一种干预下的效果，需要通过潜在输出框架预估反事实效果。
• Structure Causal Model（结构因果模型）：在观测数据中发现变量间的因果关系。

因果推断 vs. 传统机器学习

• 机器学习：拟合历史数据上的相关关系，但基于相关关系的拟合是不可靠的。
• 因果推断：拆分因变量T和协变量X，构建不同用户在不同实验下产生不同行为的因果模型。

因果推断适合解决的问题总结

• 决策相关，反事实预估：如何在这些约束下，给目标用户分配合适的权益，达到业务目标最大化？核心是解决目标客户和权益配置问题。

03 因果推断的实战应用

因果推断在度小满的应用

• 团队工作：以因果输出为基础，解决带有约束条件的全局最优化问题，包括Offer优化和效率提升。
• 因果模型：观测/随机流量，离散/连续Treatment，约束优化求解，线上A/B Test。

应用场景一：随机流量建模

• 步骤：
  1. 线上保留一定比例的随机流量，用于模型迭代和效果验证。
  2. 依据随机流量进行因果建模和效果验证，支持业务决策。
  3. 业务根据模型提供人群包/策略组合进行决策，预留实验组和对照组，用于验证模型效果提升。

应用场景二：观测流量建模

• 特点：金融领域的数据以观测流量为主，混杂着大量Confounders。
• 问题：存在C à T的后门导致观测数据与预期不符。
• 算法：观测流量建模算法。

提升运营效率

• 方法：在控制成本前提下，提升运营ROI。
  • 问题定义：总成本不变，把什么折扣的券发给什么样的用户，才能达到业务产出最大？
  • 用户划分：不同用户对营销手段的敏感程度不同。
  • 实验设计：对用户进行线上A/B实验，仅改变发券类型。
  • 因果建模：预测营销敏感人群和自然转化人群。
• 全局最优发券：余额增量最大。
  • 阶段：
    1. CausalModel（因果模型）和ResponseModel（响应模型）。
    2. 离线整数规划。
    3. 预算控制。
• 业务挑战：运营每个月侧重点不同，预算有较大差异。
  • 解决方案：成本vs. Δ余额曲线，高敏感度人群画像分析。

新算法探索

• 变量表征：
  • A(X) – Adjustment variables，仅与Y有关。
  • I(X) – Instrument variables, 仅与T有关，与Y不直接相关。
  • C(X) – Confounders, 既与T又与Y相关。
• 学习方法：独立条件作为限制+拟合目标。
  • A(X): 与Y相关，通过衡量分布差异函数表示，例如MMD。
  • I(X):与T相关，给定T的条件下，I需要与Y独立，并且需要对T的预测能力很强。