跳转至

因果推断指南 (Causal Inference)

在量化投研中，相关性 (Correlation) 不等于因果性 (Causality)。传统的机器学习策略往往会陷入“伪相关陷阱”，导致回测表现优异但实盘迅速失效（因子失效）。

trade-learn 创造性地将因果推断引入因子研究流水线，帮助开发者发现驱动收益的真正原因。

核心组件：CausalSelector

CausalSelector 是 tradelearn.ml 中的核心工具，它基于因果发现算法（如 PC, FCI）对因子特征进行筛选。

1. 为什么需要因果筛选？

传统的特征筛选（如相关系数、信息增益）只能识别特征与目标在数值上的关联，而无法区分以下情况： - 直接因果：因子 A 确实驱动了收益 Y。 - 共同观测 (Common Cause)：因子 A 和收益 Y 都是由隐藏因素 Z 驱动的，A 并不产生预测力。

2. 快速上手

from tradelearn.ml import CausalSelector

# 初始化因果选择器，使用 PC 算法
selector = CausalSelector(
    method="pc", 
    alpha=0.05, 
    max_reach=2
)

# 对特征集进行因果筛选
# data: DataFrame, 必须包含特征列和目标列
selected_features = selector.fit_transform(data, target="label")

print(f"原始特征数: {data.shape[1]}")
print(f"因果有效特征: {selected_features.columns.tolist()}")

在投研流水线中使用

因果筛选通常位于“特征工程”之后，“权重分配”之前。

from tradelearn import research

# 1. 定义特征集
feature_set = research.FeatureSet(factors, target=label)
df = feature_set.fit_transform(bars)

# 2. 因果筛选（剔除伪相关因子）
selector = CausalSelector(method="fci")
df_causal = selector.fit_transform(df, target="label")

# 3. 基于因果特征进行训练或打分
scores = model.fit(df_causal).predict(test_causal)

技术背后的原理

trade-learn 深度集成了 causal-learn 生态： - PC 算法：通过条件独立性测试构建因果图的有向无环图 (DAG)。 - FCI 算法：在存在潜变量（无法观测的混杂因素）的情况下，依然能尝试还原因果关系。

Tip

什么时候使用？ 当你的因子池非常庞大（例如 >1000 个 Alpha 因子）且担心过拟合时，CausalSelector 是极佳的“去噪过滤器”。

Important

因果性与未来函数 本章节探讨如何利用 CausalSelector 避免在策略研究中误入未来函数的陷阱。

接下来阅读