4. 潜在结果框架与DAG：从理论到实战
各位同学，今天我们来聊聊因果推断里两个最核心的概念——潜在结果框架和有向无环图。说实话，这两个东西刚接触时会觉得有点抽象，但一旦你理解了它们，再看金融数据里的因果关系，就像戴上了透视眼镜。
我个人习惯把潜在结果框架看作是「反事实思维」的数学化表达。而DAG呢，就是一张因果地图。两者结合，你就能回答那个经典问题：这个政策到底有没有用？
4.1 潜在结果框架：反事实的数学语言
先问大家一个问题：你如何判断一个基金调仓策略是否有效？
最理想的情况是——同一只基金，在同一个时间点，既执行了调仓，又没执行调仓。然后对比两个结果。但现实是，你只能观察到其中一个。
这就是潜在结果框架要解决的核心矛盾。
定义很简单：
- Y(1)：个体接受处理后的结果（比如调仓后的收益率）
- Y(0)：个体未接受处理时的结果（不调仓的收益率）
我们实际观测到的结果 Y 是：
Y = T × Y(1) + (1 - T) × Y(0)其中 T 是处理变量（1表示接受处理，0表示未接受）。
因果效应就是：τ = Y(1) - Y(0)
但问题来了——你永远看不到同一个体的 Y(1) 和 Y(0) 同时存在。这就是所谓的「反事实缺失」。我在做量化策略归因时，经常被这个问题困扰。你想想看，你只能看到策略执行后的收益，永远看不到「如果没执行」的收益。
核心要点：因果推断的本质，就是想办法估计那个缺失的反事实结果。
4.2 有向无环图：画出来的因果关系
DAG，说白了就是一张因果地图。节点是变量，箭头表示因果关系。
举个例子：
市场情绪 → 资金流入 → 股价上涨
↓ ↓
散户交易量 机构持仓箭头方向就是因果方向。为什么叫「无环」？因为因果关系不能循环——今天的股价不能影响昨天的交易量。
我刚开始用DAG时，总觉得这东西太简单。直到有一次，我在分析一个因子策略时，画出了完整的DAG，才发现原来有个隐藏的混淆变量一直在干扰我的结论。嗯，那感觉就像破案一样。
DAG里有三种基本结构：
- 链式结构：A → B → C（A通过B影响C）
- 叉式结构：A ← B → C（B是A和C的共同原因）
- 对撞结构：A → B ← C（B是A和C的共同结果）
这三种结构，决定了变量之间是相关还是独立。我建议你记住一个口诀：「链式传递，叉式混淆，对撞阻塞」。
实战技巧：画DAG时，先列出所有你认为相关的变量，然后问自己：哪个是因，哪个是果？箭头方向错了，整个分析就废了。
4.3 后门准则：消除混淆的利器
后门准则，名字听着玄乎，其实逻辑很简单。
假设你想估计「基金费率」对「基金规模」的因果效应。但有个变量「基金业绩」同时影响费率和规模——业绩好的基金可能降低费率，同时吸引更多资金。这就是一个典型的混淆变量。
后门准则告诉我们：要估计 T 对 Y 的因果效应，需要控制所有从 T 到 Y 的「后门路径」上的变量。
什么是后门路径？就是那些从 T 出发，经过某个共同原因，最终到达 Y 的路径。说白了，就是那些「非因果」的相关路径。
具体操作步骤：
- 画出完整的DAG
- 找出所有从 T 到 Y 的路径（包括因果路径和后门路径）
- 识别后门路径上的变量
- 控制这些变量（比如加入回归模型）
我曾经在分析一个量化策略时，发现策略收益和某个因子高度相关。但画完DAG后才发现，两者之间有个共同原因——市场波动率。控制住波动率后，那个因子的效应直接消失了。这就是后门准则的威力。
注意：控制变量不是越多越好。控制了对撞变量，反而会引入偏差。我见过太多人一股脑把所有变量都放进模型，结果越控越乱。
4.4 前门准则：当后门走不通时
有时候，后门路径上的变量无法观测或无法控制。这时候，前门准则就派上用场了。
前门准则的核心思想是：通过一个中间变量 M 来估计 T 对 Y 的因果效应。
举个例子：
你想知道「降息」对「股市收益率」的影响。但降息和收益率之间有很多后门路径（比如经济基本面同时影响两者）。这时候，你可以引入一个中间变量——「资金成本」。
降息 → 资金成本下降 → 股市收益率上升
前门准则分两步：
- 估计 T 对 M 的因果效应（降息对资金成本的影响）
- 估计 M 对 Y 的因果效应（资金成本对收益率的影响）
- 两者相乘，就是 T 对 Y 的总效应
前门准则在实际金融分析中用得相对少一些，因为找到合适的中间变量并不容易。但当你遇到「无法控制混淆变量」的情况时，它是个不错的备选方案。
4.5 知识体系总览
下面这张图，是我自己总结的本章知识体系。你可以把它当作一张「因果推断地图」来用。
这张图把本章的三个核心模块串起来了。潜在结果框架提供了「因果效应」的数学定义，DAG提供了「因果结构」的可视化工具，而后门准则和前门准则则是具体的「识别策略」。三者缺一不可。
4.6 实战中的避坑指南
最后，分享几个我在项目中踩过的坑：
- 不要迷信DAG的完备性：你画的DAG永远只是真实世界的简化版。我见过有人画了50个节点的DAG，结果越分析越乱。记住，好的DAG是「足够好」的DAG，不是「完美」的DAG。
- 后门准则不是万能药：控制了后门变量，不代表因果效应就估计准了。如果控制变量本身是处理变量的中介，你会低估因果效应。我曾经在这个问题上栽过跟头。
- 前门准则需要强假设：前门准则要求中间变量 M 完全中介了 T 对 Y 的影响。这个假设在金融领域很难满足。我建议你优先考虑后门准则，实在不行再考虑前门。
我的建议：刚开始做因果分析时，先画DAG，再写代码。DAG画清楚了，模型选择自然就清晰了。别急着跑回归，先把因果关系理清楚。
好了，这一章的内容就到这里。潜在结果框架和DAG是因果推断的基石，理解透了，后面的方法学起来就轻松多了。
公众号:蓝海资料掘金营，微信deep3321