因果发现 PC 算法：用条件独立性把变量间的真实因果图挖出来
相关不等于因果——这句老生常谈在量化里是血淋淋的真金白银。PC 算法（Peter-Clark）不靠专家拍脑袋，而是用条件独立性检验，从观测数据里把变量之间的因果骨架和箭头方向自动挖出来。本文用 numpy 从零实现一个线性高斯 PC，在已知的合成因果图上验证：骨架召回率 1.000、精确率 1.000；并给出最关键的反直觉事实——控制共因后相关会塌缩到 0（X1-X5 偏相关 0.390→0.007），而直接因果边不塌（X1-X4 0.648→0.562），正是这个不对称把因果图与纯相关网络区分开。附完整 Python 与四张真实计算图。