标签： #神经网络

线性 Granger 因果检验只问一个问题：x 的滞后项能否线性地改善对 y 的预测。但如果 x 通过 x² 驱动 y——波动传导、恐慌放大这类金融常见机制——线性 F 检验会完全漏检。合成实验实测：y 被 0.6·x²(t-1) 强驱动，线性 F 统计量只有 0.17（临界值 3.0），检验结论『无因果』；换成 16 隐单元的小 MLP，加入 x 滞后让样本外 MSE 从 2.72 降到 1.35（改善 50.5%），而线性回归加同样的 x 滞后只改善 1%。显著性用置换检验解决：打乱 x 滞后重训 30 次，最大伪改善仅 3.9%，真实改善 50.5% 的 p 值 < 0.033。方向准确率 74.2%，简单择时把日均收益从 0.10 抬到 0.51。诚实说明：NN Granger 的检验功效换来了解释性损失；置换检验计算量是线性检验的百倍；非线性因果在真实数据中远比合成数据微弱，且极易与波动聚集混淆。拆穿『相关为零=无关系』『NN 改善=真因果』『因果=可交易』等误区（中高阶）。

组合层面的建模有个被普遍忽视的结构问题：一篮子资产是『集合』不是『序列』——把 8 只股票的特征按任意顺序摊平喂给 MLP，同一个组合换个排列顺序，模型输出就变。DeepSets（Zaheer et al., NeurIPS 2017）给出通用解：先对每只资产独立编码 φ(x_i)，再做对称池化（sum/mean），最后 ρ 读出——数学上可表达一切置换不变函数。本文用纯 numpy 从零实现 DeepSets（含手写反向传播），在组合尾部风险聚合任务上诚实实测：DeepSets R²=0.90 优于摊平 MLP 的 0.79 与手工聚合特征的 0.78，置换后输出偏移 1.8e-15（数值零）而 MLP 偏移达目标标准差的 39%；但变集合大小泛化诚实翻车——训练只见 K=8，测试 K=12 时 sum-pooling R² 崩到 -6.2。并拆穿池化随便选/摊平加增广就行/万能逼近=实际可学/变 K 免费泛化/组合建模必用集合网络五类真实陷阱（中阶）。