一、课程导论与因果思维
各位同学好，我是这门课的主讲人。在金融圈摸爬滚打了十几年，我越来越觉得——因果推断才是量化分析的硬核所在。今天咱们就从最基础的问题聊起：到底什么是金融因果分析？
1.1 什么是金融因果分析
说白了，金融因果分析就是回答「为什么」的问题。
比如：
- 为什么这只股票今天涨了？
- 降息真的能刺激经济吗？
- 某个新闻事件到底影响了多少交易量？
传统量化分析告诉你「涨了3%」，因果分析告诉你「这3%里有1.5%是因为降息预期」。我个人习惯把这种分析叫做「归因拆解」——把结果拆成不同原因的贡献。
核心定义：金融因果分析是利用统计方法、实验设计或结构模型，从观测数据中识别并量化变量间因果效应的过程。
1.2 相关关系 vs 因果关系
这个坑我踩过太多次了。刚入行时，我看到两个指标一起涨就兴奋，觉得找到了「圣杯」。结果呢？回测漂亮，实盘亏钱。
为什么会这样？因为相关不等于因果。
| 特征 | 相关关系 | 因果关系 |
|---|---|---|
| 定义 | A和B一起变化 | A的变化导致B变化 |
| 方向性 | 无方向 | 有方向（A→B） |
| 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 |
| 金融案例 | 某股票与大盘同涨同跌 | 公司财报超预期导致股价跳涨 |
我记得有一次做因子分析，发现「天气晴朗」和「某板块收益率」相关系数高达0.7。差点就信了。后来一查，原来是季节性因素在作祟——夏天天气好，同时该板块有旺季效应。你看，隐藏的混杂变量才是真正的幕后黑手。
避坑指南：我曾经因为忽略混杂变量，在CTA策略上亏了两个月。后来养成了习惯——每次发现强相关，先问自己三个问题：有没有共同原因？时间顺序对吗？有没有反向因果的可能？
1.3 辛普森悖论在金融中的应用
辛普森悖论，说白了就是「分组看一个结论，合并看另一个结论」。听起来反直觉，但在金融数据里太常见了。
举个我实际遇到的例子：
某量化团队开发了两个策略——A和B。整体来看，策略A的年化收益是12%，策略B是10%。团队觉得A更好。但按市场状态分组后：
- 牛市中：A收益15%，B收益18%
- 熊市中：A收益-2%，B收益-5%
你看，每个市场状态下B都比A好，但整体却是A更好。为什么？因为A在牛市中的样本占比更大，拉高了整体均值。
这就是辛普森悖论。在金融分析中，如果不做分层处理，很容易得出错误结论。
注意：辛普森悖论告诉我们——不要轻易相信汇总统计。一定要问：数据是怎么分组的？各组样本量是否均衡？有没有遗漏重要的分层变量？
1.4 课程知识体系概览
下面这张图是我自己画的，把整个课程的核心逻辑串起来了。你想想看，从数据到结论，中间要经过多少道坎？
整个课程分成四个大模块：
- 数据清洗与因果思维（第1-5章）——打好地基，学会识别混杂变量
- 因果识别方法（第6-15章）——掌握DAG、后门准则、工具变量等核心工具
- 因果效应估计（第16-25章）——匹配、加权、双重稳健，把理论变成数字
- 归因报告与实战（第26-30章）——把分析结果写成能说服人的报告
我的建议：别急着跳着看。因果推断这东西，前面基础没打牢，后面很容易得出「看似合理实则错误」的结论。我见过太多人直接跳到双重差分，结果连混杂变量都没控制住——嗯，那还不如不做。
1.5 课程项目概览
整个课程会围绕一个贯穿始终的实战项目展开：「某量化策略的收益归因分析」。
具体来说，我们会：
- 拿到一份真实的交易数据（脱敏后的）
- 从数据清洗开始，一步步识别影响收益的关键因素
- 用因果推断方法量化每个因素的贡献
- 最终产出一份完整的归因报告
这个项目我做了很多年，每次迭代都会发现新的坑。比如：
- 数据中的幸存者偏差——只保留了存活下来的股票
- 时间序列的自相关——今天的收益和昨天有关
- 策略的反馈效应——策略本身改变了市场行为
这些都会在课程中一一拆解。你跟着做一遍，基本就能应对90%的金融因果分析场景了。