标签： #因果推断

事件研究里最危险的结论不是「没显著」，而是「显著但假」——股价在降准后涨了，到底是因为降准，还是因为那段时间本来就该涨？双重差分 DID 用「处理组 − 控制组」的双重差分，把共同的时间趋势从处理效应里剥掉。本文用纯 numpy 从零实现双向固定效应 TWFE 与一般化的 2×2 差分，在自洽合成面板（1 只被冲击股票 + 19 只同类，事件前 24 月 + 后 24 月，真实 ATT=0.40%/月）上把 τ̂ 估计到 0.41%/月、t=2.79、置换 placebo 检验 p=0.038；并诚实拆穿平行趋势不可检验、控制组污染、政策内生化、溢出效应、动态效应被压平五类真实陷阱（中阶）。

你算出「低波动股跑赢」就敢说低波动「导致」高收益吗？两者可能都被某个隐藏变量驱动——这是因果推断的死穴：混淆。双重机器学习 Double ML (Chernozhukov et al. 2018) 用两阶段机器学习（随机森林纯 numpy 从零实现）估计「处理→结果」之外的所有混淆路径 g(X)/f(X)，再用交叉拟合 cross-fitting 残差化，把处理效应 θ 从相关里撬成因果。自洽合成面板（Y=θ·D+g(X)+ε, D=f(X)+ν, g 与 f 共享非线性项）上：朴素 OLS 估到 1.88（真值 1.50，偏差 +0.38）、线性残差化 Double ML 仍 1.90（偏差 +0.40，抓不住非线性混淆）、随机森林 Double ML 压到 1.60（偏差 +0.10，蒙特卡洛 100 次 SD≈0.02）；并诚实拆穿 RF 收缩偏误/无交叉拟合必过拟合/混淆变量遗漏/模型误设/PLM 线性假设五类真实陷阱（中阶）。

DID 的灵魂是「控制组」，但现实里常有「只有一个受冲击单元、又找不到可比对照组」的尴尬——比如某国突然资本管制、某只指数被纳入 MSCI、某城试点房产税。合成控制法 SCM 给出一条出路：用一大篮未受冲击单元的「加权组合」为你合成一个专属对照组，权重由事件前的拟合优度决定。本文用纯 numpy + scipy 从零实现凸权重 SCM（非负、和为 1），在自洽合成面板（1 个受冲击单元 + 39 个 donor，事件后真实水平偏移=1.08%/期）上把事件前贴合 RMSE 压到 0.040、事件后 gap 估到 1.08，且权重极度稀疏（仅 6/39 个 donor 非零）；留一安慰剂检验中受冲击单元的 gap 是 40 个单元里的极端离群点（p≈0.025），并诚实拆穿外推/负权重、donor 池太窄、前拟合好后崩、唯一解不唯一、小样本过拟合五类真实陷阱（中阶）。

量化策略里到处是伪相关：两资产同涨同跌、因子在样本内亮眼却说不清为什么。本文用潜在结果框架讲清「相关性≠因果」，并用双重差分(DID)在「政策/事件冲击」场景下干净地估计策略可解释的因果效应，附完整 Python 实现、bootstrap 置信区间与事件研究，并诚实列出 DID 的真实陷阱。

市场冲击是交易成本里最难估的一项。本文用因果推断视角把冲击拆成临时与永久两部分，点破朴素 IS 把市场波动也算进你的账单，并用外生市场因子构建无交易反事实基线分离真实冲击，附平方根律扫描、TCA 落地与六大真实陷阱。