Counterfactual generation via conditional diffusion: evaluating causal and distributional fidelity in financial time series

This thesis investigates the conditional generation of multi-asset fi- nancial time-series to simulate market responses under varying macroeconomic regimes. Our primary objective is twofold: first, to faithfully recreate the com- plex distributional properties of financial returns, and second, to act as a rigorous counterfactual engine capable of answering “what-if” macroeconomic scenarios. We propose a denoising diffusion approach, evaluated against a state-of-the-art Varia- tional Autoencoder (MacroVAE) baseline. To rigorously assess performance, we decouple distributional fidelity, tested on a real-world empirical panel, from causal recovery, validated through an exact syn- thetic macro-finance environment that provides a closed-form analytical ground truth. Through sequential ablations, we identify a clear division of labor in fi- nancial generation: while the neural network accurately dictates the core of the distribution, the preservation of extreme stylized facts, such as heavy tails, is struc- turally dependent on the preprocessing pipeline. Crucially, our counterfactual analysis demonstrates that the ability to isolate true macroeconomic shifts is driven by the generative pathway itself. While the VAE baseline tends to amortize exogenous shocks within its latent bottleneck, the dif- fusion architecture successfully preserves and propagates the causal intervention. Furthermore, we uncover a fundamental tension between raw generative capacity and causal generalization. While expanding model capacity improves the over- all distributional fit, an oversized architecture severely degrades causal recovery on non-linear tasks by memorizing specific historical trajectories. Ultimately, we establish that a structurally constrained diffusion model acts as a mandatory reg- ularizer, successfully capturing the complex, non-linear market realities to which linear econometric references are structurally blind.

Questa tesi indaga la generazione condizionale di serie storiche finanziarie multi-asset per simulare le risposte del mercato sotto diversi regimi macroeconomici. L’obiettivo principale è duplice: in primo luogo, ricreare fedelmente le complesse proprietà distribuzionali dei rendimenti finanziari; in secondo luogo, agire come un rigoroso motore controfattuale in grado di rispondere a scenari macroeconomici “what-if”. Proponiamo un approccio basato su denoising diffusion, valutato rispetto a una baseline Variational Autoencoder (MacroVAE) allo stato dell’arte. Per valutare rigorosamente le performance, separiamo la fedeltà distribuzionale, testata su un panel empirico reale, dal recupero causale, validato attraverso un ambiente macro-finanziario sintetico esatto che fornisce un ground truth analitico in forma chiusa. Attraverso ablazioni sequenziali, identifichiamo una chiara divisione del lavoro nella generazione finanziaria: mentre la rete neurale determina accuratamente il corpo centrale della distribuzione, la conservazione di fatti stilizzati estremi, come le code grasse, dipende strutturalmente dalla pipeline di preprocessing. In modo cruciale, l’analisi controfattuale dimostra che la capacità di isolare veri shock macroeconomici è guidata dal percorso generativo stesso. Mentre la baseline VAE tende ad ammortizzare gli shock esogeni nel suo imbuto latente, l’architettura diffusiva preserva e propaga con successo l’intervento causale. Inoltre, riveliamo una tensione fondamentale tra la capacità generativa grezza e la generalizzazione causale. Sebbene l’espansione della capacità del modello migliori il fit distribuzionale, un’architettura sovradimensionata degrada gravemente il recupero causale su task non lineari, memorizzando traiettorie storiche specifiche. Infine, stabiliamo che un modello diffusivo strutturalmente vincolato agisce come un regolarizzatore obbligatorio, catturando con successo le complesse realtà non lineari del mercato a cui i riferimenti econometrici lineari sono strutturalmente ciechi.