因果的四个层次——从 Pearl 到 Kuhn，市场研究者的因果素养

2024 年末，市场上最流行的因果叙事是：“美联储降息 → 美元走弱 → 黄金上涨”。三段论，线性，干净。然后现实打了回来：降息落地，美元确实走弱了一阵，但黄金的主要驱动力根本不是美元——是各国央行的结构性购买（据 World Gold Council 数据，2023-2024 年全球央行净购金量连续两年超 1000 吨）。因果链条没错，但因果框架错了。

这种失败不是偶然。关税叙事也一样。“加征关税 → 成本上升 → 利润下降”——每一步都对。但 2025 年的实际情况是：从已公开的案例看，供应链转移通常需要两到三年的调整期，汇率吸收了一部分冲击，而且不少企业干脆把关税当成涨价的借口。方向没错，幅度和时机全错。

四本书帮我重新理解了这个问题。它们横跨 1962 到 2018 年，来自四个学科——计算机科学、系统动力学、经济学博弈论、科学哲学。它们问的是同一个问题：当你说”A 导致了 B”，你到底在说什么？

• Judea Pearl,《The Book of Why》(2018)——因果的语法
• Donella Meadows,《Thinking in Systems》(2008)——因果的拓扑
• Thomas Schelling,《Micromotives and Macrobehavior》(1978)——因果的尺度
• Thomas Kuhn,《The Structure of Scientific Revolutions》(1962)——因果的有效期

这不是书评。四位作者各自撕开了因果理解的一层皮，我试着把它们拼在一起看。

一、线性因果的诱惑与失败

市场叙事的默认结构是因果链条：A → B → C。关税上升，成本上升，利润下降。央行加息，估值承压，科技股跌。这种叙事流行不是因为它对，是因为人脑就爱箭头。一个原因，一个结果，一条线。舒服。

Pearl 在《The Book of Why》里把因果理解分成三个层次，他称之为”因果阶梯”（the Ladder of Causation）：

第一层：观察（seeing）。看到 A 和 B 同时出现，得出”A 与 B 相关”。绝大多数市场评论停在这一层。“油价涨了，航空股跌了”——这是观察，不是因果。

第二层：干预（doing）。如果我主动改变 A，B 会怎样？这需要区分相关性和因果性。Pearl 的核心工具是有向无环图（DAG, directed acyclic graph），用来画出变量之间的因果方向，剥离混杂因素。

到这里已经甩掉大部分市场评论了。第三层更狠：

第三层：反事实（imagining）。如果 A 没有发生，B 还会发生吗？这是最高层次的因果推断，也是最难回答的问题。

“To understand causation, we need to move from asking what happened to asking what would have happened if things were different.” — Judea Pearl, The Book of Why, p. 28

大多数市场分析停在第一层——看到相关性，就包装成因果叙事。能做到第二层的人已经不多：美联储降息和黄金上涨同期发生，但驱动力是不是来自别处？至于第三层——“如果美联储没有降息，黄金是否仍然会上涨”——卖方报告里我几乎没见过有人认真问这个。

Pearl 的框架精确、有力，但它有一个前提假设：因果关系可以用一张图来表达，而且这张图是无环的——原因在前，结果在后，不存在回路。这个假设在实验室里成立。在市场里，它几乎从不成立。

二、反馈回路——因果的拓扑

Donella Meadows 在《Thinking in Systems》的开篇就否定了线性因果的充分性。她的核心论点是：真实系统的因果不是链条，是回路。

两种基本回路。增强回路是自我放大的：信贷扩张推高房价，房价上升改善抵押品，抵押品改善推动更多信贷——2005 到 2007 年的美国房地产就是这样转起来的。调节回路则相反，自带刹车：库存堆积逼着降价，降价刺激需求，需求消化库存，回路自行收敛。

Meadows 最狠的一句：系统的行为不取决于组件，取决于接法。

“The least obvious part of the system, its function or purpose, is often the most crucial determinant of the system’s behavior.” — Donella Meadows, Thinking in Systems, p. 14

把这个观点放到市场研究里，含义很直接：分析单个变量的因果方向远远不够，必须画出回路。2022 年的英国养老金危机是一个经典案例。利率上升 → 国债价格下跌 → 养老金 LDI 策略追加保证金 → 抛售国债 → 国债价格进一步下跌 → 保证金进一步扩大。这不是一条因果链，这是一个增强回路在极端条件下的自激振荡。

Pearl 的工具到这里就撞墙了：反馈回路的存在让 DAG（有向无环图）直接失效——因为回路意味着环，环意味着因果方向不再是单向的。Pearl 的框架需要一个”无环”的前提，而市场天然充满环。这不是说 Pearl 错了，而是说他的工具在特定条件下不适用——而这个”特定条件”恰恰是市场的常态。

Meadows 的局限同样明显。她的系统思维是一种定性工具——能帮你画出回路、识别增强和调节机制，但不能告诉你回路会以什么速度转动、在什么临界点爆发。“一切都是系统”的框架很容易滑向万能叙事：任何现象都能事后画一个回路来”解释”，但事前几乎无法预测哪个回路会主导。系统思维的毒性就在这：拿来解释什么都通，拿来预测什么都不灵。

三、涌现——微观因果与宏观因果的断层

Thomas Schelling 在 1978 年提出了一个后来被无数学科引用的模型。他的”棋盘隔离模型”（checkerboard segregation model）展示了一个反直觉的结果：即使每个个体只有温和的偏好（比如希望邻居中至少三分之一和自己同类型），最终的宏观结果是完全的隔离。

Schelling 的要害就一句：微观加起来不等于宏观。每个人的行为在个体层面完全理性、完全温和，但当所有人同时行动时，集体结果和任何个体的意图都不一样。这就是涌现（emergence）——宏观现象不能通过分析微观组件来预测。

“What is true of the individual is not necessarily true of the aggregate, and what is true of the aggregate may have no counterpart in the motivation of any individual.” — Thomas Schelling, Micromotives and Macrobehavior, p. 14

市场的涌现案例比社会学更极端。2020 年 3 月的流动性危机：每只基金的风控模型都在合理执行——当波动率突破阈值时减仓、当相关性飙升时对冲。单个基金的行为完全理性。但当几千只基金同时执行同样的逻辑时，结果是美国国债——理论上的”最安全资产”——出现了流动性真空。微观层面的因果关系（波动率上升 → 减仓）在宏观层面变成了它自身的反面（所有人减仓 → 流动性消失 → 波动率进一步上升 → 更多减仓）。

回到 Meadows 的框架看：涌现本质上是反馈回路在多主体系统中的表现。Meadows 的回路假设一个统一的系统结构，Schelling 展示了当系统由大量独立决策者组成时，回路的行为会发生质变。单个主体的因果模型可能完全正确，但当这些模型被大量主体同时执行时，宏观结果脱轨。

翻译成做研究的语言：搞懂一家公司为什么做某个决定，不等于搞懂一个行业为什么出现某个趋势。每家半导体公司都在扩产——因为各自看到了自己的需求预测。但所有公司同时扩产的结果可能是周期性产能过剩，这不在任何一家公司的因果模型里。

Schelling 的模型简洁有力，但它的弱点也来自这份简洁。棋盘模型用的是极度简化的参数——两类主体、一个偏好阈值、一种移动规则。当你试图把它参数化到真实市场时（几千种主体类型、异质的偏好函数、非对称的信息集），模型的解析能力迅速崩溃。Schelling 的贡献是概念性的——他证明了涌现现象的存在——但他没有给出操作性的预测工具。

四、范式——因果解释本身的保质期

Kuhn 在《The Structure of Scientific Revolutions》(1962) 里论述的不是因果关系本身，而是一件更根本的事：我们用来构造因果解释的整个框架是有保质期的。

Kuhn 的核心概念是”范式”（paradigm）。在常规时期，科学家在同一个范式内工作——共享相同的基本假设、方法、判断标准。范式不只是一组理论，而是决定”什么问题值得问”和”什么答案算合格”的元框架。当异常现象积累到范式无法消化的程度时，范式转换（paradigm shift）发生——旧框架被整体替换，不是修补。

“The transition from a paradigm in crisis to a new one from which a new tradition of normal science can emerge is far from a cumulative process.” — Thomas Kuhn, The Structure of Scientific Revolutions, p. 84

市场有自己的范式。1980 年代中期到 2007 年的”大稳健”（Great Moderation）范式假设央行已经控制了商业周期，低波动率是新常态，风险可以被精确定价和分散。在这个范式内部，所有的因果分析都运行良好：利差收窄意味着风险偏好改善，VIX 走低意味着系统稳定。2008 年，整个范式坍塌。不是某一条因果链断了——是生成这些因果链的框架本身过期了。

范式转换时，Pearl 的因果图和 Meadows 的系统回路同时失效。不是因为图画错了或回路识别错了，而是因为支撑图和回路的底层假设（什么是原因、什么是结果、什么变量重要）被整体替换了。这是最高层次的因果风险——不是因果链断裂，而是整个因果框架过期。

Kuhn 的弱点在于：他能描述范式转换已经发生的案例，但无法预测范式转换何时发生。他自己也承认这一点。对市场研究者来说，这意味着 Kuhn 的框架是一个诊断工具而非预测工具——它帮你识别”我们可能正处在范式转换的早期”，但不告诉你转换会在下周还是三年后完成。

五、叠在一起看

四本书各推了一步：

每个层次都有盲区，而且盲区的性质不同。Pearl 的问题是：如果你一开始就画错了图——漏了变量、反了箭头——后面的推断越精确就错得越离谱。Meadows 的问题是事后诸葛亮：回路事后谁都能画，事前识别哪个回路会主导，几乎做不到。Schelling 和 Kuhn 的问题类似：概念上证明了涌现和范式转换的存在，但都没有给出时机判断的工具。

四个层次不是菜单，不能挑一个当信仰。面对一个市场判断，我会问四件事。是真因果还是只是相关？方向是单向的还是有回路？所有人同时这么干，结果还成立吗？最后——我这套分析的底层假设，还没过期吧？

这不是公式，没法自动输出答案。但它能让你在犯错之前多停一秒。

六、桥接

这篇文章和 ksinq 此前的白银研究之间有一个直接的连接。在那组研究中，我分析了白银的供需结构——太阳能需求增长、矿山供给刚性、金银比价失衡。那是一套典型的”线性因果 + 数据锚点”分析。

回头用这个框架审视：那组白银研究做到了前两层——区分了因果性、也画出了价格-矿业股-资金的增强回路。但后两层是盲区。当大量投资者同时基于同样的供需逻辑建仓，市场会涌现出什么？我没有问。而且整套分析建立在”白银的工业需求和货币需求双轨并行”这个范式上——如果这个范式本身被颠覆（比如无银太阳能电池在三年内商业化），整个因果图要重画。

把这些盲区写出来不是为了否定那组研究，而是为了标定它的有效边界。任何市场分析的价值不仅取决于它说对了什么，也取决于它知道自己可能在哪里犯错。

免责声明：本文是 ksinq 的独立观察，提供的是思考框架而非投资方法。文中提到的任何市场案例仅用于说明概念，不构成对具体资产的买入、卖出或持有建议。过去的市场表现不代表未来。读者应基于自身判断和风险承受能力做出独立决定。

本文引用的四本书籍原文均依据美国版权法第 107 条 (17 U.S.C. §107) 的合理使用原则，用于批评和评论目的。

Disclaimer: This article represents ksinq’s independent observations and provides an analytical framework, not investment advice. Any market examples mentioned are for illustrative purposes only and do not constitute recommendations to buy, sell, or hold any specific asset. Past market performance does not guarantee future results. Readers should make independent decisions based on their own judgment and risk tolerance.