一、因果推理导论：为什么投资需要因果推理
1.1 什么是因果推理
因果推理，说白了就是回答「为什么」的问题。
举个例子：你看到某只股票涨了，是因为财报超预期？还是因为大盘整体拉升？还是因为某个游资在炒作？
因果推理要做的，就是把这些混杂在一起的因素拆开，找到真正的「因」和「果」。
我个人习惯把因果推理理解为「反事实思维」——也就是问自己：如果当时没有发生这件事，结果会怎样？
核心定义：因果推理是研究变量之间因果关系的科学方法，它试图回答「如果改变X，Y会如何变化」的问题。
1.2 为什么投资需要因果推理
做投资的人，每天面对海量数据。但数据本身不会告诉你因果关系。
我在项目中遇到过不少这样的情况：某个因子回测效果很好，一上实盘就崩了。为什么？因为回测时看到的只是相关关系，不是因果关系。
投资需要因果推理，原因有三：
- 预测需要因果结构——只有理解了因果机制，你才能预测政策变化、突发事件对市场的影响
- 策略需要可解释性——黑箱模型赚了钱，你敢重仓吗？因果推理能告诉你「为什么这个策略有效」
- 风险需要因果归因——亏损了，是市场原因？还是策略本身有问题？因果推理帮你分清责任
我的经验：刚开始做量化时，我只看相关性。后来发现，很多「高相关」的因子其实是伪相关。比如「裙子长度指数」和股市涨跌——你信吗？反正我不信。
1.3 相关关系与因果关系的区别
这是整个因果推理的基石。很多人搞混，包括我早期也踩过坑。
| 维度 | 相关关系 | 因果关系 |
|---|---|---|
| 定义 | 两个变量同时变化 | 一个变量导致另一个变量变化 |
| 方向性 | 无方向 | 有方向（因→果） |
| 可干预性 | 不能用于干预 | 可用于干预决策 |
| 例子 | 冰淇淋销量与溺水人数正相关 | 温度升高导致冰淇淋销量增加 |
为什么会这样？因为相关关系背后可能有隐藏的混杂因素。比如上面那个例子，真正的因是「温度」，它同时影响了冰淇淋销量和游泳人数。
在投资中，这种陷阱比比皆是。我记得有一次，我发现「某行业ETF资金流入」和「该行业指数涨幅」高度相关。你以为资金流入导致上涨？其实可能是上涨吸引了资金流入——因果方向反了。
避坑指南：我曾经因为混淆相关和因果，在某个因子策略上亏了20%。后来才明白——回测中的高相关性，很可能只是「幸存者偏差」或「共同趋势」造成的假象。
1.4 辛普森悖论在投资中的体现
辛普森悖论，听起来高大上，其实很简单：
分组看是一种结论，合并看是另一种结论。
举个经典的例子：
假设有两个基金经理，A和B。A的总体收益率是10%，B是8%。看起来A更厉害。但如果你按「牛市」和「熊市」分组看：
| 市场环境 | 基金经理A | 基金经理B |
|---|---|---|
| 牛市 | 15% | 20% |
| 熊市 | -5% | 0% |
你看，在牛市和熊市中，B的表现都优于A。但为什么总体收益率A反而高？
因为A在牛市期间管理的资金更多，而B在熊市期间管理的资金更多。权重不同，导致了悖论。
在投资中，辛普森悖论非常常见：
- 因子分层分析——某个因子整体有效，但分行业看可能无效
- 策略评价——总体收益高，但分市场环境看可能很差
- 归因分析——不控制混杂变量，结论可能完全相反
核心启示：做投资分析时，一定要问自己——我看到的结论，是不是因为没考虑分组因素？是不是存在辛普森悖论？
1.5 本章知识体系
下面这张图，是我自己梳理的因果推理知识框架。建议你保存下来，后面每章都会用到。
1.6 小结
这一章我们聊了三个核心概念：
- 因果推理是什么——就是问「为什么」，用反事实思维看问题
- 为什么投资需要它——因为相关关系会骗人，只有因果才能指导决策
- 辛普森悖论——分组和总体结论可能相反，做分析时一定要小心
嗯，这里要注意：因果推理不是万能的。它需要好的数据、合理的假设、严谨的方法。但如果你连因果推理的意识都没有，那在投资中踩坑是迟早的事。
下一章，我们会深入讨论因果图——也就是用图的方式，把因果关系画出来。到时候你会发现，很多复杂的问题，一张图就能说清楚。
公众号:蓝海资料掘金营，微信deep3321