在大数据时代,可以用于分析的数据量正不断增大,对于股票市场的分析更是如此。如何利用数据挖掘技术从海量金融数据中发现有意义的关系,尤其是因果关系,是股票市场研究的核心问题之一。因果关系严格区分了“因”变量和“果”变量,这对于股票市场监管的完善、市场及经济政策的制定、公司治理、以及市场趋势分析等方面的研究有相关关系难以替代价值。然而用于股票分析的主流数据挖掘算法是基于数据间的相关关系进行分析,难以确认市场各个因素间的因果关系。而在股票分析研究中常用的格兰杰因果检验法是一种对变量间关系进行检验、判定的方法,不是智能学习算法,在针对高维数据的分析中存在发现能力不足、效率低下的问题,且该方法不适合对横断面数据进行分析,适用情景存在很大限制。横断面分析是股票分析的经典方法,其中最经典的方法是Fama和French提出的横断面多元回归分析框架,然而该方法由于依赖专家知识的参与,在处理涉及概念漂移和高维数据的金融分析问题上已经暴露出明显的局限性。概念漂移现象在股市分析中普遍存在,它意味着市场随着时间推移会发生不可预知的变化,这导致过去分析学习到的知识不断地贬值。为了发现可用于进行股票分析的有效因子及其与股票变动之间的因果关系,并观察这些关系的概念漂移现象,我们使用一种新的因果发现技术——结合条件概率表的加性噪声模型(ANMCPT)。在评估实验中,我们通过结合数据挖掘算法比较了ANMCPT与传统横断面分析方法(如Fama-French框架)的股票分析因子选择效果。结果表明,通过ANMCPT选择出来的因子要优于基于Fama-French框架的横断面分析方法所选择出来的因子。据我们所知,本文是国内第一篇在股票分析因子概念漂移挖掘中将因果推断技术和Fama-French框架进行比较的研究。我们基于因果推断的概念漂移挖掘方法为在股市中进行精准知识发现提供了一种全新的方法。