用因果分析减少 Agent 的"金融幻觉"

第一层：通俗理解

1.1 一个很有说服力的错误

Agent 分析了三年数据，得出结论：

"新闻情绪指数与次日收益显著正相关（t = 13）。情绪改善会推动投资者买入，从而推高股价。建议构建情绪因子。"

听起来无懈可击。但实际情况可能是：市场整体的风险偏好同时推高了新闻情绪（记者更乐观）和股价，情绪本身对股价毫无作用。一旦风险偏好的驱动方式变了，这个"因子"就会失效。

1.2 两种幻觉

大模型从大量财经文本中学会了"因为……所以……"的叙事方式，而财经媒体本身就充满事后归因。Agent 的因果幻觉，很大程度上是继承来的。

1.3 三层防线

第二层：三件工具

2.1 因果图（DAG）

要求 Agent 在给出结论前，先画出相关变量之间可能的因果关系：

一旦画出来，"情绪 → 收益"之外的其他路径就一目了然。Pearl 的因果推断理论给出了判断"需要控制哪些变量"的规则（后门准则）。

2.2 控制混杂变量

在回归中加入混杂变量（或它的代理变量），看原来的效应是否还在：

• 效应大幅减小甚至消失 → 原来的相关主要来自混杂；
• 效应基本不变 → 至少排除了这个混杂（但可能还有别的）。

2.3 安慰剂检验与负对照

关键区分：置换检验只能证明"不是偶然"，不能证明"是因果"。一个由混杂造成的相关，在置换检验下照样"显著"。

第三层：代码演示

3.1 模拟：收益只由风险偏好驱动，情绪毫无作用

import numpy as np, pandas as pd, statsmodels.api as sm
rng = np.random.default_rng(21)
T = 1000
# 混杂变量：市场风险偏好（不可直接观测，但可以用代理变量）
risk_on = rng.normal(size=T)
sentiment = 0.8 * risk_on + rng.normal(scale=0.6, size=T)     # Agent 发现的"新闻情绪因子"
ret = 0.5 * risk_on + rng.normal(scale=1.0, size=T)            # 收益真正只由风险偏好驱动
df = pd.DataFrame({"sentiment": sentiment, "ret": ret,
                   "risk_proxy": risk_on + rng.normal(scale=0.3, size=T)})

naive = sm.OLS(df["ret"], sm.add_constant(df[["sentiment"]])).fit()
print("朴素回归：情绪系数", round(naive.params["sentiment"], 3), " t =", round(naive.tvalues["sentiment"], 1))
ctrl = sm.OLS(df["ret"], sm.add_constant(df[["sentiment", "risk_proxy"]])).fit()
print("控制混杂后：情绪系数", round(ctrl.params["sentiment"], 3), " t =", round(ctrl.tvalues["sentiment"], 1))

null = []
for _ in range(500):
    s = rng.permutation(df["sentiment"].values)
    null.append(np.corrcoef(s, df["ret"])[0, 1])
obs = df["sentiment"].corr(df["ret"])
print("观测相关", round(obs, 3), " 安慰剂 95% 分位", round(np.quantile(np.abs(null), 0.95), 3))

future_only = 0.8 * risk_on + rng.normal(scale=0.6, size=T)   # 和情绪同源但时间上不可能是原因
print("负对照变量与收益的相关", round(np.corrcoef(future_only, ret)[0, 1], 3))

输出：

朴素回归：情绪系数 0.45  t = 13.0
控制混杂后：情绪系数 0.099  t = 1.8
观测相关 0.381  安慰剂 95% 分位 0.06
负对照变量与收益的相关 0.384

3.2 解读

控制后系数没有完全归零（0.10），是因为代理变量 risk_proxy 带有测量误差，没能完全吸收混杂。这也是现实中的常态：控制混杂只能做到"尽量"。

3.3 把它变成 Agent 的工作规范

给研究 Agent 的系统提示词和工具中加入以下要求：

1. 结论必须附因果图：列出至少三个可能的混杂变量；
2. 必须运行的检验：控制主要混杂（市场、行业、市值、风险偏好代理）、置换检验、至少一个负对照；
3. 结论分级：

4. 禁止的措辞：在只有相关证据时使用"导致""推动""因为"；
5. 反方 Agent：由另一个 Agent 专门提出替代解释。

3.4 局限

• 未观测到的混杂永远无法完全排除；
• 金融市场是反身的：一个因子被广泛使用后，本身就会改变市场；
• 最强的因果证据来自干预（见《干预式训练》），而在金融市场中，真正的随机实验几乎不可能。可以利用的是"自然实验"：政策变化、指数调整、交易规则变更等外生事件。

总结