期货量化做了几年我在CTA策略上翻过两次车两次都栽在同一个地方——相关性看着很强。统计上那是一组接过0.8的相关系数样本内外来回检验都过得去参数也没做太多拟合结果一上实盘胜率像泄了气的皮球一个月就垮。第一次我以为是运气问题第二次我开始认真怀疑我找到的那些“强相关变量”到底是我发现了规律还是数据在集体说谎。后来我花了大半年时间把研究方向从“找相关”慢慢转向“找因果”也就是你现在看到的这个主题CTP期货量化中的因果关系算法。这篇文章我不会给你什么“稳定盈利模型”我也没有那个东西。我想做的是把从理论选型、数据基建到落地回测这一整条链路完整拆开讲清楚为什么相关性在期货上容易失灵Granger因果、PC算法、收敛交叉映射这些方法到底各自适合什么场景以及CTP接口在整个因果分析流程里到底扮演什么角色。适合谁看已经会跑CTP程序化交易、开始嫌弃指标乱打架的策略开发者或者研究量化但一直觉得“因子库为什么一到振荡行情就集体失效”的同行。1. 相关性模型在期货上翻车不是玄学是逻辑缺陷1.1 两次实盘翻车让我开始怀疑“强相关”先讲第一次翻车。当时做螺纹钢和铁矿石的价差回归逻辑很简单——螺纹钢成本里七成以上是铁矿石两者的价格长期保持一个比较稳定的比例关系。我拿近三年的日线数据做相关性检验corr约0.9价差回落到均值附近的历史回归胜率也漂亮于是上了套利策略。结果实盘第一周就遇到一次限产消息引发的行情矿石飙涨螺纹没跟上价差瞬间打到历史极值边缘。我的模型给出加仓信号因为按回归逻辑“价差越大回归概率越高”。但后来的走势证明那个极端价差维持了整整二十多个交易日中间不断磨穿止损最终那笔策略累计回撤超过10%。第二次翻车更典型。我在某个宏观变量和有色板块指数之间发现相关性也十分稳定回测里这个宏观指标的滞后阶对指数次日收益有显著解释力。结果某些重要经济数据发布出现修正原始数据被大幅上修我模型里用的历史值全部作废了——相关性再高也救不回来。这两次教训让我意识到相关性描述的是“两个变量一起变”因果要回答的是“当一个变量被改变另一个变量会怎样”。在期货市场供给冲击、政策扰动、宏观事件随时会打断历史相关性而没有因果结构的模型本质上没有能力区分“规律”和“巧合”。1.2 因果视角能补上相关性模型的哪三块短板我后来把问题归纳成三类因果算法对应解决三类这样落地时才不会眉毛胡子一把抓。第一类伪相关。通胀周期里几乎所有商品同涨同跌你拿豆粕和铜价做相关性可能也很高但这两个品种之间没有任何直接传导机制。因果算法通过“时序优先性”和“条件独立性”来约束——如果X是Y的原因X必须先于Y变化或者X与Y的关系在控制其他变量后必须仍然存在。用这个标准大量伪相关会被自动过滤。第二类反馈循环。价格影响市场预期市场预期反过来影响价格现货库存影响期货价格期货升贴水又影响贸易商的囤货行为。这种双向因果在传统回归方程里非常难处理你单跑一个Y对X的回归估计量本身就是有偏的。结构因果模型和图模型可以显式把反馈路径画出来虽然识别条件更苛刻但至少你可以知道“这个系数到底想解释什么”。第三类混淆因素。美元指数同时影响黄金、铜、原油如果你只看铜和原油的相关性会发现它忽高忽低因为背后那个共同的“父节点”在动。PC算法这类方法能找出共同父节点当你控制了美元指数之后再去检验铜和原油它们可能就条件独立了——这个判断比裸看相关矩阵有意义得多。2. CTP接口在因果分析里的真实分工不只是下单通道2.1 从MdApi拿到的快照与订单流是因果发现的第一手原料很多人一提到CTP就想到交易下单这在因果算法链路里是远远不够的。CTP提供两套核心接口行情接口MdApi和交易接口TdApi。做因果分析真正吃重的是MdApi给的数据。通过MdApi你可以订阅任意合约的tick快照、逐笔成交、盘口深度拿到的是交易所原始行情经过柜台转发后的第一手数据。高频因果分析和低频基本面因子用的数据源本质上是同一套东西区别只在于你聚合成多少周期的K线。比如我想验证“主力资金主动买卖盘是否在 tick 级别领先价格变动”CTP的逐笔委托和逐笔成交就是最合适的数据底稿。不过这里有个非常现实的建议除非你专门研究微观结构否则不要直接在原始tick上跑因果检验。tick数据里噪声占比极高报价粘性、撮合机制、节拍都会制造大量虚假的领先关系。我一般先把tick聚合成1分钟、5分钟或日线级别的收益率再做后续分析效果稳定得多。2.2 合约换月、复权与时间对齐数据基建的隐藏工作量因果算法对数据质量极其敏感而期货数据恰恰到处是坑。最典型的三个第一个坑是合约换月。cu1709和cu1710是两份不同的合约价格本身存在升贴水差异你直接把它们首尾相连拼出一个“连续价格序列”断点处会出现人为跳空Granger检验和PC算法会把这种结构性突变误认为因果关系。我的处理方式是一律使用主力合约拼接并且用前复权或价差复权把断点抹平实在不想碰复权就干脆用“主力连续合约的收益率序列”因果分析很多情况下用收益率比用价格更合适因为价格多为非平稳序列。第二个坑是宏观数据的时间戳。很多基本面变量不是实时可得PMI、库存、社融的发布时间比统计区间晚几天甚至几周。有些新手拿到数据就按“公告日”和行情对齐这没问题但如果你按“数据所属月度”和行情对齐就会把未来信息偷用到历史样本里——回测胜率虚高实盘立刻现原形。因果分析里最忌讳的就是未来函数。第三个坑是交易日历。国内期货有夜盘当天日盘结束后的夜盘属于下一个交易日有的品种一天交易近24小时节假日前后数据跨度不规则。做滞后阶分析时如果你对着一份不经过交易日历处理的普通日历序列做lag滞后1天可能是自然时间1天也可能是隔了一个周末的3天。这种错位会让Granger检验出现大量假正例。所以我通常用交易所交易日历把数据重采样成时间索引再跑因果算法。3. Granger检验、PC算法、收敛交叉映射到底该用谁3.1 Granger因果适合验证“领先性”不适合发现完整结构Granger因果检验可能是量化圈子里最出圈的一个“因果算法”因为statsmodels一行代码就能跑。它的逻辑很直接在Y的自回归模型里加入X的滞后项如果残差显著减小就认为X能Granger引起Y。但用之前我必须说清楚它的边界。Granger因果本质上检验的是“X的历史是否携带了关于Y未来的额外预测信息”它是一种预测意义上的因果不是真正的结构因果。你可以把它理解成渣男测试你发消息后对方回复速度和语气是否显著提升你对TA真实意图的预测就算预测准确率提高了也不能证明TA真的在意你——中间可能有别的变量在起作用。所以我在期货项目里只把它放在两个位置一是对候选因果边做时序确认比如PC算法画出来一条“库存→沪铜价格”的边我会再用Granger检验确认一下库存的历史是否真的领先价格二是检验某个领先指标是否具备样本外增量信息。它解决不了的问题——比如混淆变量、反馈回路、非线性关系——需要靠其他方法补。3.2 PC算法用条件独立性反推因果图最适合宏观加量价混合场景PC算法是约束式因果发现的主流代表。它的基本思路从一张全连接的无向图出发用条件独立性检验剪掉“控制其他变量后不再相关”的边然后再通过v-结构确定因果方向。输出的是一张部分有向无环图每条边都带有方向或方向候选。比起GrangerPC算法的好处是一次性处理多变量能直接看出变量间的结构关系而不是一对一的检验。比如宏观基本面加量价因子一共十几个变量用PC算法的图模型一眼看过去哪个是混淆节点、哪条路径是直接因果、哪些变量其实条件独立一目了然。在Python里我常用lingam库里的PC实现或者causal-learn库。拿lingam举例from lingam import PC import pandas as pd # df是已经差分平稳化并标准化后的变量矩阵列名是变量名 model PC(alpha0.05) model.fit(df) # 因果顺序 print(model.causal_order_) # 邻接矩阵1表示存在有向边 print(model.graph_)alpha是条件独立性检验的显著性阈值。PC算法需要一定的样本量如果你只有几十个周度样本或者变量数接近样本数结果会非常不稳定。我的经验是用月度或周度数据做宏观因果发现样本量至少要在200个时间点以上才敢聊方向否则结果更多是随机噪声。3.3 收敛交叉映射给非线性系统准备的备选方案期货价格系统并不遵守严格线性关系供给冲击、情绪阈值、流动性突变都会造成非线性动态。当数据生成过程高度非线性时Granger检验基于线性回归的功效会明显下降收敛交叉映射CCM是另一个思路。CCM的思路起源于动力系统理论假设X和Y来自同一个动态系统如果X对Y有因果影响那么X的历史信息会被“刻”进Y的时间序列状态里。反过来通过Y的延迟嵌入重构出的系统状态应当能可靠地预测X的当前值。预测越好说明X→Y的证据越强。实际做的时候需要对两个序列分别做时间延迟嵌入取Y的历史状态空间用K近邻去预测X(t)然后看预测值和真实值的相关系数rho。CCM对非线性、混沌系统更友好但对观测噪声敏感、对序列长度要求高而且它给出的本质上是一种“耦合强度证据”不像PC算法那样提供完整图结构。在期货上我的建议是有大段分钟级数据且品种表现出明显状态转换比如趋势突然切换时CCM可以作为辅助验证日常特征筛选的主干线尽量用PC加Granger组合。3.4 选型对照表把三种方法的核心差异整理成一张表方便你按当前任务选型方法核心思想优势局限期货场景适用点Granger因果检验用X的滞后项提升Y的预测精度计算简单、解释直观、检验成熟线性假设、对混淆变量敏感、不等同于结构因果验证某变量是否领先目标变量PC算法条件独立性剪边加v-结构定向多变量结构发现、适合宏观加量价混合样本量要求高、无隐变量假设、结果可能不稳因子筛选、因果图构建、混淆因素识别收敛交叉映射状态空间重构与交叉预测能捕捉非线性耦合更适合混沌系统噪声敏感、参数多、方向判断有前提条件高频量价耦合验证、非线性关系辅助判断4. 从因果图到因子库特征筛选实战与样本外验证4.1 用因果图砍掉“装饰变量”特征数量直接减半我其中一个实盘项目里传统的相关性子筛选选了32个因子相关性热图上一大片红色因子和因子之间信息重叠极其严重。后来引入PC算法把目标变量定义为“下一期主力合约收益率”跑出来一张包含约40个变量的因果图。按“是否存在一条指向目标变量的因果路径保留、否则剔除”这条规则过滤因子数从32个缩到了14个。砍掉的那些因子在样本内单独看IC都还有一些显著度但在因果图里它们和目标变量之间没有直接路径只通过其他因子间接连接。把它们剔除之后模型解释性明显变好留下的因子至少能在产业逻辑上讲通比如库存、基差、美元指数、产业链上下游价格。这带来的直接收益是模型的风格切换适应性强了很多振荡行情里组合不再集体失效。因为因果结构相对稳定我把它称为“三层漏斗”第一层用相关性做初筛数据量大的场景里先用相关矩阵快速排除大量无关变量第二层用PC算法做因果校验保留有道路路径的变量第三层用Granger检验做时序确认确保发现的方向在时间上是领先而非滞后。注意PC算法找到的因果边不一定是经济意义上的“真因果”它反映的是条件独立结构下的统计依赖关系。凡是不符合产业逻辑的边我建议一律人工复核之后再决定是否保留。4.2 信号失效判断干预视角下的止损逻辑因果框架在信号管理上还有一个额外价值——它给你提供了一种判断“信号还能不能信”的方式。传统因子模型遇到回撤只能看净值曲线和回撤幅度来决定是否停掉策略。因果模型可以稍微深入一步把因果图当成市场定价逻辑的一种量化快照当结构发生变化时说明定价逻辑变了信号本身的有效性基础已经动摇。具体操作我这样做过每个月收盘后重新跑一次因果图把上个月的“核心因果边”和这个月的“核心因果边”做对比。如果美元指数到铜价的因果边显著性大幅下降或者方向翻转那至少说明过去一段时间里驱动铜价的宏观逻辑已经变了依赖这条边的策略应该降权甚至暂停。这种基于结构变化的仓位管理比单纯看回撤阈值更前置。4.3 一个沪铜案例美元指数、PMI与铜价之间的因果链举一个我在分析里反复跑过的例子说明因果图到底长什么样。选取的变量包括沪铜主力合约收益率、LME铜收益率、美元指数、中国PMI新订单、沪铜库存变动。数据预处理先做差分和标准化然后跑PC算法较常见会得到这样的结构PMI新订单中存在指向沪铜的因果边代表需求端预期领先铜价变化美元指数和沪铜之间存在负向因果边这个在产业逻辑上是说得通的美元走强压制海外定价沪铜与LME铜之间往往表现为强耦合具体方向在不同时间段有翻转速度快、噪声大。这里必须强调这不是实验室里的稳定结论不同时间段、不同参数下PC结果会有变化。真正的用法是如果某个月度样本里美元指数到沪铜的因果边消失了而库存到沪铜的边加强了就意味着当前定价逻辑从宏观驱动切到了库存驱动——这个时候你还抱着美元指数因子不放手就是刻舟求剑。5. 在CTP环境下落地一套因果信号策略的完整过程5.1 数据管线与工具链准备落地前先把工具链配齐。我的标准组合是行情采集vn.py或者直接基于CTP的MdApi封装连接simnow或期货公司实盘前置订阅主力合约的快照与tick聚合成1分钟和日线数据。数据处理pandas、numpy交易日历用交易所日历文件维护复权用前复权价差法。因果分析statsmodels的grangercausalitytests、lingam的PC实现、causal-learn的PC变体、自己写简化的CCM函数。回测验证先做因子IC检验再用事件驱动的简单撮合回测不要直接上复杂回测框架否则因果分析引入的偏差会和非真实撮合叠加。有一点要提醒CTP有两种环境simnow仿真和实盘simnow的数据是模拟撮合出来的tick数据跟你实盘的订单流细节有区别。如果你发现高频因果结构只在simnow上显著先不要高兴大概率是模拟数据简化了噪声模型造成的假象。5.2 核心代码Granger检验、PC图与CCM的简化实现代码不追求跑通灰盒我给的是验证流程的核心片段。Granger检验的封装直接返回最小p值用来快速扫描变量对import pandas as pd from statsmodels.tsa.stattools import grangercausalitytests def granger_min_p(data, cause, target, maxlag5): df data[[cause, target]].dropna() res grangercausalitytests(df, maxlagmaxlag, verboseFalse) pvals [res[l][0][ssr_ftest][1] for l in range(1, maxlag 1)] return min(pvals)PC算法用lingam跑因果图from lingam import PC # matrix_df是标准化后的多元时间序列矩阵 pc_model PC(alpha0.05) pc_model.fit(matrix_df) # 查看因果顺序和邻接矩阵 print(pc_model.causal_order_) print(pc_model.graph_)CCM我也封装了一个简化版本算法步骤是对候选因果方向X→Y取Y的嵌入空间预测X计算预测相关系数再用置换检验评估显著性。核心逻辑就是延迟嵌入加K近邻回归这部分不依赖重型库就能实现。import numpy as np from sklearn.neighbors import KNeighborsRegressor def embed(series, E, tau): n len(series) m n - (E - 1) * tau return np.stack([series[i * tau:i * tau m] for i in range(E)], axis1) def cross_map_rho(x, y, E3, tau1): # 用y的嵌入预测x若预测好说明x影响y y_embed embed(y, E, tau) x_embed x[(E - 1) * tau:] est KNeighborsRegressor(n_neighborsE 1).fit(y_embed, x_embed) pred est.predict(y_embed) return np.corrcoef(pred, x_embed)[0, 1]以上代码都不是精调版本只是让你看清楚每一步在干什么。实际项目里参数E、tau需要做网格搜索置换检验至少跑1000次才能下方向结论。5.3 回测框架与参数敏感性检查因果信号进入回测前我强烈建议分层走三关不要直接拿信号做买卖点。第一关单因子IC检验。将因果边对应的变量处理成因子值计算它对未来1日、3日、5日收益的RankIC观察IC均值和ICIR。如果IC均值不显著因果图上再漂亮也没用。第二关参数敏感性。对maxlag从1到10、alpha从0.01到0.1、数据频率1分钟、日线做网格每次记录因果图的边集用Jaccard相似度衡量结构重复度。平均相似度低于0.7的因果结论我会直接判定为不稳定不会进因子库。这个环节能过滤掉大量随机显著性。第三关滑点与手续费压力测试。CTP的实盘成交有盘口冲击、滑点、手续费返还等细节用收盘价成交的回测全是骗自己。我把单边成本设定为至少2到3个最小变动价位跑出来的年化收益才敢出门见人。6. 因果算法在期货量化里的边界、坑位与使用原则6.1 稍不注意就中招的三个“伪因果”陷阱第一个陷阱是把Granger显著当成可交易信号。我见过一个宏观变量对某品种的Granger检验p值常年小于0.01团队直接设计成了主力信号结果实盘发现市场早就把信息定价进去了等信号出现时已经是行情末期。Granger检验只能说明时序预测关系不能说明交易价值价值需要做边际效果检验。第二个陷阱是因果图过拟合。变量一多PC算法在没有足够约束的情况下会画出大量边很多边只是样本噪声的产物。我建议对同一份数据做bootstrap重采样至少跑100次PC算法只保留出现频率在60%以上的边。凡是这个阈值之下的边一律当作“未证实”处理不要让它们进入模型。第三个陷阱是混淆变量缺失导致方向判反。PC算法的无隐变量假设在真实宏观数据里很难成立当某个重要混淆变量没有被纳入变量集时算法可能会把方向推断到相反路径上。解决方式之一是把产业逻辑作为硬约束对PC输出结果做人工审查凡是与产业链逻辑冲突的边都要重新检查变量选择和数据处理。6.2 风险控制与合规视角下的落地建议量化策略里因果模型解决的是“相对稳定的规律发现”不解决“会不会亏钱”的问题。无论你的因果图多漂亮单品种波动率、仓位杠杆、流动性风险都是更高优先级的约束。我给自己定了一条纪律任何单品种策略即使因子上有黄金级别的因果证据单次风险敞口也不超过总资金的一个固定比例上限并且保留一层独立于信号模型的风险预算模块。合规层面相对简单但必须落实使用CTP接入前需要确保所在期货公司的程序化交易报备、接入规范、频率限制都符合要求历史行情数据的使用范围和分发渠道不能超越授权。技术研究可以天马行空落地交易必须合法合规。最后讲一点个人体会。因果算法在期货量化里最值钱的地方不是让你百发百中地预测涨跌而是帮你在模型建立之前就把大量似是而非的变量挡在门外在模型运行之后再判断定价逻辑是否已经切换。它更适合被定位成特征工程和风控框架的组成部分而不是一个独立的预测引擎。用这个思路去搭你的系统会比单纯追求“显著性”走得远很多。
CTP期货量化中的因果关系算法：从相关性失灵到因果发现
期货量化做了几年我在CTA策略上翻过两次车两次都栽在同一个地方——相关性看着很强。统计上那是一组接过0.8的相关系数样本内外来回检验都过得去参数也没做太多拟合结果一上实盘胜率像泄了气的皮球一个月就垮。第一次我以为是运气问题第二次我开始认真怀疑我找到的那些“强相关变量”到底是我发现了规律还是数据在集体说谎。后来我花了大半年时间把研究方向从“找相关”慢慢转向“找因果”也就是你现在看到的这个主题CTP期货量化中的因果关系算法。这篇文章我不会给你什么“稳定盈利模型”我也没有那个东西。我想做的是把从理论选型、数据基建到落地回测这一整条链路完整拆开讲清楚为什么相关性在期货上容易失灵Granger因果、PC算法、收敛交叉映射这些方法到底各自适合什么场景以及CTP接口在整个因果分析流程里到底扮演什么角色。适合谁看已经会跑CTP程序化交易、开始嫌弃指标乱打架的策略开发者或者研究量化但一直觉得“因子库为什么一到振荡行情就集体失效”的同行。1. 相关性模型在期货上翻车不是玄学是逻辑缺陷1.1 两次实盘翻车让我开始怀疑“强相关”先讲第一次翻车。当时做螺纹钢和铁矿石的价差回归逻辑很简单——螺纹钢成本里七成以上是铁矿石两者的价格长期保持一个比较稳定的比例关系。我拿近三年的日线数据做相关性检验corr约0.9价差回落到均值附近的历史回归胜率也漂亮于是上了套利策略。结果实盘第一周就遇到一次限产消息引发的行情矿石飙涨螺纹没跟上价差瞬间打到历史极值边缘。我的模型给出加仓信号因为按回归逻辑“价差越大回归概率越高”。但后来的走势证明那个极端价差维持了整整二十多个交易日中间不断磨穿止损最终那笔策略累计回撤超过10%。第二次翻车更典型。我在某个宏观变量和有色板块指数之间发现相关性也十分稳定回测里这个宏观指标的滞后阶对指数次日收益有显著解释力。结果某些重要经济数据发布出现修正原始数据被大幅上修我模型里用的历史值全部作废了——相关性再高也救不回来。这两次教训让我意识到相关性描述的是“两个变量一起变”因果要回答的是“当一个变量被改变另一个变量会怎样”。在期货市场供给冲击、政策扰动、宏观事件随时会打断历史相关性而没有因果结构的模型本质上没有能力区分“规律”和“巧合”。1.2 因果视角能补上相关性模型的哪三块短板我后来把问题归纳成三类因果算法对应解决三类这样落地时才不会眉毛胡子一把抓。第一类伪相关。通胀周期里几乎所有商品同涨同跌你拿豆粕和铜价做相关性可能也很高但这两个品种之间没有任何直接传导机制。因果算法通过“时序优先性”和“条件独立性”来约束——如果X是Y的原因X必须先于Y变化或者X与Y的关系在控制其他变量后必须仍然存在。用这个标准大量伪相关会被自动过滤。第二类反馈循环。价格影响市场预期市场预期反过来影响价格现货库存影响期货价格期货升贴水又影响贸易商的囤货行为。这种双向因果在传统回归方程里非常难处理你单跑一个Y对X的回归估计量本身就是有偏的。结构因果模型和图模型可以显式把反馈路径画出来虽然识别条件更苛刻但至少你可以知道“这个系数到底想解释什么”。第三类混淆因素。美元指数同时影响黄金、铜、原油如果你只看铜和原油的相关性会发现它忽高忽低因为背后那个共同的“父节点”在动。PC算法这类方法能找出共同父节点当你控制了美元指数之后再去检验铜和原油它们可能就条件独立了——这个判断比裸看相关矩阵有意义得多。2. CTP接口在因果分析里的真实分工不只是下单通道2.1 从MdApi拿到的快照与订单流是因果发现的第一手原料很多人一提到CTP就想到交易下单这在因果算法链路里是远远不够的。CTP提供两套核心接口行情接口MdApi和交易接口TdApi。做因果分析真正吃重的是MdApi给的数据。通过MdApi你可以订阅任意合约的tick快照、逐笔成交、盘口深度拿到的是交易所原始行情经过柜台转发后的第一手数据。高频因果分析和低频基本面因子用的数据源本质上是同一套东西区别只在于你聚合成多少周期的K线。比如我想验证“主力资金主动买卖盘是否在 tick 级别领先价格变动”CTP的逐笔委托和逐笔成交就是最合适的数据底稿。不过这里有个非常现实的建议除非你专门研究微观结构否则不要直接在原始tick上跑因果检验。tick数据里噪声占比极高报价粘性、撮合机制、节拍都会制造大量虚假的领先关系。我一般先把tick聚合成1分钟、5分钟或日线级别的收益率再做后续分析效果稳定得多。2.2 合约换月、复权与时间对齐数据基建的隐藏工作量因果算法对数据质量极其敏感而期货数据恰恰到处是坑。最典型的三个第一个坑是合约换月。cu1709和cu1710是两份不同的合约价格本身存在升贴水差异你直接把它们首尾相连拼出一个“连续价格序列”断点处会出现人为跳空Granger检验和PC算法会把这种结构性突变误认为因果关系。我的处理方式是一律使用主力合约拼接并且用前复权或价差复权把断点抹平实在不想碰复权就干脆用“主力连续合约的收益率序列”因果分析很多情况下用收益率比用价格更合适因为价格多为非平稳序列。第二个坑是宏观数据的时间戳。很多基本面变量不是实时可得PMI、库存、社融的发布时间比统计区间晚几天甚至几周。有些新手拿到数据就按“公告日”和行情对齐这没问题但如果你按“数据所属月度”和行情对齐就会把未来信息偷用到历史样本里——回测胜率虚高实盘立刻现原形。因果分析里最忌讳的就是未来函数。第三个坑是交易日历。国内期货有夜盘当天日盘结束后的夜盘属于下一个交易日有的品种一天交易近24小时节假日前后数据跨度不规则。做滞后阶分析时如果你对着一份不经过交易日历处理的普通日历序列做lag滞后1天可能是自然时间1天也可能是隔了一个周末的3天。这种错位会让Granger检验出现大量假正例。所以我通常用交易所交易日历把数据重采样成时间索引再跑因果算法。3. Granger检验、PC算法、收敛交叉映射到底该用谁3.1 Granger因果适合验证“领先性”不适合发现完整结构Granger因果检验可能是量化圈子里最出圈的一个“因果算法”因为statsmodels一行代码就能跑。它的逻辑很直接在Y的自回归模型里加入X的滞后项如果残差显著减小就认为X能Granger引起Y。但用之前我必须说清楚它的边界。Granger因果本质上检验的是“X的历史是否携带了关于Y未来的额外预测信息”它是一种预测意义上的因果不是真正的结构因果。你可以把它理解成渣男测试你发消息后对方回复速度和语气是否显著提升你对TA真实意图的预测就算预测准确率提高了也不能证明TA真的在意你——中间可能有别的变量在起作用。所以我在期货项目里只把它放在两个位置一是对候选因果边做时序确认比如PC算法画出来一条“库存→沪铜价格”的边我会再用Granger检验确认一下库存的历史是否真的领先价格二是检验某个领先指标是否具备样本外增量信息。它解决不了的问题——比如混淆变量、反馈回路、非线性关系——需要靠其他方法补。3.2 PC算法用条件独立性反推因果图最适合宏观加量价混合场景PC算法是约束式因果发现的主流代表。它的基本思路从一张全连接的无向图出发用条件独立性检验剪掉“控制其他变量后不再相关”的边然后再通过v-结构确定因果方向。输出的是一张部分有向无环图每条边都带有方向或方向候选。比起GrangerPC算法的好处是一次性处理多变量能直接看出变量间的结构关系而不是一对一的检验。比如宏观基本面加量价因子一共十几个变量用PC算法的图模型一眼看过去哪个是混淆节点、哪条路径是直接因果、哪些变量其实条件独立一目了然。在Python里我常用lingam库里的PC实现或者causal-learn库。拿lingam举例from lingam import PC import pandas as pd # df是已经差分平稳化并标准化后的变量矩阵列名是变量名 model PC(alpha0.05) model.fit(df) # 因果顺序 print(model.causal_order_) # 邻接矩阵1表示存在有向边 print(model.graph_)alpha是条件独立性检验的显著性阈值。PC算法需要一定的样本量如果你只有几十个周度样本或者变量数接近样本数结果会非常不稳定。我的经验是用月度或周度数据做宏观因果发现样本量至少要在200个时间点以上才敢聊方向否则结果更多是随机噪声。3.3 收敛交叉映射给非线性系统准备的备选方案期货价格系统并不遵守严格线性关系供给冲击、情绪阈值、流动性突变都会造成非线性动态。当数据生成过程高度非线性时Granger检验基于线性回归的功效会明显下降收敛交叉映射CCM是另一个思路。CCM的思路起源于动力系统理论假设X和Y来自同一个动态系统如果X对Y有因果影响那么X的历史信息会被“刻”进Y的时间序列状态里。反过来通过Y的延迟嵌入重构出的系统状态应当能可靠地预测X的当前值。预测越好说明X→Y的证据越强。实际做的时候需要对两个序列分别做时间延迟嵌入取Y的历史状态空间用K近邻去预测X(t)然后看预测值和真实值的相关系数rho。CCM对非线性、混沌系统更友好但对观测噪声敏感、对序列长度要求高而且它给出的本质上是一种“耦合强度证据”不像PC算法那样提供完整图结构。在期货上我的建议是有大段分钟级数据且品种表现出明显状态转换比如趋势突然切换时CCM可以作为辅助验证日常特征筛选的主干线尽量用PC加Granger组合。3.4 选型对照表把三种方法的核心差异整理成一张表方便你按当前任务选型方法核心思想优势局限期货场景适用点Granger因果检验用X的滞后项提升Y的预测精度计算简单、解释直观、检验成熟线性假设、对混淆变量敏感、不等同于结构因果验证某变量是否领先目标变量PC算法条件独立性剪边加v-结构定向多变量结构发现、适合宏观加量价混合样本量要求高、无隐变量假设、结果可能不稳因子筛选、因果图构建、混淆因素识别收敛交叉映射状态空间重构与交叉预测能捕捉非线性耦合更适合混沌系统噪声敏感、参数多、方向判断有前提条件高频量价耦合验证、非线性关系辅助判断4. 从因果图到因子库特征筛选实战与样本外验证4.1 用因果图砍掉“装饰变量”特征数量直接减半我其中一个实盘项目里传统的相关性子筛选选了32个因子相关性热图上一大片红色因子和因子之间信息重叠极其严重。后来引入PC算法把目标变量定义为“下一期主力合约收益率”跑出来一张包含约40个变量的因果图。按“是否存在一条指向目标变量的因果路径保留、否则剔除”这条规则过滤因子数从32个缩到了14个。砍掉的那些因子在样本内单独看IC都还有一些显著度但在因果图里它们和目标变量之间没有直接路径只通过其他因子间接连接。把它们剔除之后模型解释性明显变好留下的因子至少能在产业逻辑上讲通比如库存、基差、美元指数、产业链上下游价格。这带来的直接收益是模型的风格切换适应性强了很多振荡行情里组合不再集体失效。因为因果结构相对稳定我把它称为“三层漏斗”第一层用相关性做初筛数据量大的场景里先用相关矩阵快速排除大量无关变量第二层用PC算法做因果校验保留有道路路径的变量第三层用Granger检验做时序确认确保发现的方向在时间上是领先而非滞后。注意PC算法找到的因果边不一定是经济意义上的“真因果”它反映的是条件独立结构下的统计依赖关系。凡是不符合产业逻辑的边我建议一律人工复核之后再决定是否保留。4.2 信号失效判断干预视角下的止损逻辑因果框架在信号管理上还有一个额外价值——它给你提供了一种判断“信号还能不能信”的方式。传统因子模型遇到回撤只能看净值曲线和回撤幅度来决定是否停掉策略。因果模型可以稍微深入一步把因果图当成市场定价逻辑的一种量化快照当结构发生变化时说明定价逻辑变了信号本身的有效性基础已经动摇。具体操作我这样做过每个月收盘后重新跑一次因果图把上个月的“核心因果边”和这个月的“核心因果边”做对比。如果美元指数到铜价的因果边显著性大幅下降或者方向翻转那至少说明过去一段时间里驱动铜价的宏观逻辑已经变了依赖这条边的策略应该降权甚至暂停。这种基于结构变化的仓位管理比单纯看回撤阈值更前置。4.3 一个沪铜案例美元指数、PMI与铜价之间的因果链举一个我在分析里反复跑过的例子说明因果图到底长什么样。选取的变量包括沪铜主力合约收益率、LME铜收益率、美元指数、中国PMI新订单、沪铜库存变动。数据预处理先做差分和标准化然后跑PC算法较常见会得到这样的结构PMI新订单中存在指向沪铜的因果边代表需求端预期领先铜价变化美元指数和沪铜之间存在负向因果边这个在产业逻辑上是说得通的美元走强压制海外定价沪铜与LME铜之间往往表现为强耦合具体方向在不同时间段有翻转速度快、噪声大。这里必须强调这不是实验室里的稳定结论不同时间段、不同参数下PC结果会有变化。真正的用法是如果某个月度样本里美元指数到沪铜的因果边消失了而库存到沪铜的边加强了就意味着当前定价逻辑从宏观驱动切到了库存驱动——这个时候你还抱着美元指数因子不放手就是刻舟求剑。5. 在CTP环境下落地一套因果信号策略的完整过程5.1 数据管线与工具链准备落地前先把工具链配齐。我的标准组合是行情采集vn.py或者直接基于CTP的MdApi封装连接simnow或期货公司实盘前置订阅主力合约的快照与tick聚合成1分钟和日线数据。数据处理pandas、numpy交易日历用交易所日历文件维护复权用前复权价差法。因果分析statsmodels的grangercausalitytests、lingam的PC实现、causal-learn的PC变体、自己写简化的CCM函数。回测验证先做因子IC检验再用事件驱动的简单撮合回测不要直接上复杂回测框架否则因果分析引入的偏差会和非真实撮合叠加。有一点要提醒CTP有两种环境simnow仿真和实盘simnow的数据是模拟撮合出来的tick数据跟你实盘的订单流细节有区别。如果你发现高频因果结构只在simnow上显著先不要高兴大概率是模拟数据简化了噪声模型造成的假象。5.2 核心代码Granger检验、PC图与CCM的简化实现代码不追求跑通灰盒我给的是验证流程的核心片段。Granger检验的封装直接返回最小p值用来快速扫描变量对import pandas as pd from statsmodels.tsa.stattools import grangercausalitytests def granger_min_p(data, cause, target, maxlag5): df data[[cause, target]].dropna() res grangercausalitytests(df, maxlagmaxlag, verboseFalse) pvals [res[l][0][ssr_ftest][1] for l in range(1, maxlag 1)] return min(pvals)PC算法用lingam跑因果图from lingam import PC # matrix_df是标准化后的多元时间序列矩阵 pc_model PC(alpha0.05) pc_model.fit(matrix_df) # 查看因果顺序和邻接矩阵 print(pc_model.causal_order_) print(pc_model.graph_)CCM我也封装了一个简化版本算法步骤是对候选因果方向X→Y取Y的嵌入空间预测X计算预测相关系数再用置换检验评估显著性。核心逻辑就是延迟嵌入加K近邻回归这部分不依赖重型库就能实现。import numpy as np from sklearn.neighbors import KNeighborsRegressor def embed(series, E, tau): n len(series) m n - (E - 1) * tau return np.stack([series[i * tau:i * tau m] for i in range(E)], axis1) def cross_map_rho(x, y, E3, tau1): # 用y的嵌入预测x若预测好说明x影响y y_embed embed(y, E, tau) x_embed x[(E - 1) * tau:] est KNeighborsRegressor(n_neighborsE 1).fit(y_embed, x_embed) pred est.predict(y_embed) return np.corrcoef(pred, x_embed)[0, 1]以上代码都不是精调版本只是让你看清楚每一步在干什么。实际项目里参数E、tau需要做网格搜索置换检验至少跑1000次才能下方向结论。5.3 回测框架与参数敏感性检查因果信号进入回测前我强烈建议分层走三关不要直接拿信号做买卖点。第一关单因子IC检验。将因果边对应的变量处理成因子值计算它对未来1日、3日、5日收益的RankIC观察IC均值和ICIR。如果IC均值不显著因果图上再漂亮也没用。第二关参数敏感性。对maxlag从1到10、alpha从0.01到0.1、数据频率1分钟、日线做网格每次记录因果图的边集用Jaccard相似度衡量结构重复度。平均相似度低于0.7的因果结论我会直接判定为不稳定不会进因子库。这个环节能过滤掉大量随机显著性。第三关滑点与手续费压力测试。CTP的实盘成交有盘口冲击、滑点、手续费返还等细节用收盘价成交的回测全是骗自己。我把单边成本设定为至少2到3个最小变动价位跑出来的年化收益才敢出门见人。6. 因果算法在期货量化里的边界、坑位与使用原则6.1 稍不注意就中招的三个“伪因果”陷阱第一个陷阱是把Granger显著当成可交易信号。我见过一个宏观变量对某品种的Granger检验p值常年小于0.01团队直接设计成了主力信号结果实盘发现市场早就把信息定价进去了等信号出现时已经是行情末期。Granger检验只能说明时序预测关系不能说明交易价值价值需要做边际效果检验。第二个陷阱是因果图过拟合。变量一多PC算法在没有足够约束的情况下会画出大量边很多边只是样本噪声的产物。我建议对同一份数据做bootstrap重采样至少跑100次PC算法只保留出现频率在60%以上的边。凡是这个阈值之下的边一律当作“未证实”处理不要让它们进入模型。第三个陷阱是混淆变量缺失导致方向判反。PC算法的无隐变量假设在真实宏观数据里很难成立当某个重要混淆变量没有被纳入变量集时算法可能会把方向推断到相反路径上。解决方式之一是把产业逻辑作为硬约束对PC输出结果做人工审查凡是与产业链逻辑冲突的边都要重新检查变量选择和数据处理。6.2 风险控制与合规视角下的落地建议量化策略里因果模型解决的是“相对稳定的规律发现”不解决“会不会亏钱”的问题。无论你的因果图多漂亮单品种波动率、仓位杠杆、流动性风险都是更高优先级的约束。我给自己定了一条纪律任何单品种策略即使因子上有黄金级别的因果证据单次风险敞口也不超过总资金的一个固定比例上限并且保留一层独立于信号模型的风险预算模块。合规层面相对简单但必须落实使用CTP接入前需要确保所在期货公司的程序化交易报备、接入规范、频率限制都符合要求历史行情数据的使用范围和分发渠道不能超越授权。技术研究可以天马行空落地交易必须合法合规。最后讲一点个人体会。因果算法在期货量化里最值钱的地方不是让你百发百中地预测涨跌而是帮你在模型建立之前就把大量似是而非的变量挡在门外在模型运行之后再判断定价逻辑是否已经切换。它更适合被定位成特征工程和风控框架的组成部分而不是一个独立的预测引擎。用这个思路去搭你的系统会比单纯追求“显著性”走得远很多。
