★摘要：
　　在我们过往关于因果关系的研究中，多数模型未给出因果的方向，Stavros K. Stavroglou等人定义了暗因果关系（dark causality），提出一种基于符号动力学和相空间重构结合的因果推断方法，使用包括正、负、暗三种类型的因果模式矩阵表达复杂系统中潜伏和难以捉摸的动态结构。我们依据Stavros K. Stavroglou等人的模式因果模型计算的正向、负向、暗因果的因果强度，实证测试涵盖股指、国债、商品和外汇的因果关系配对，测试结果表明：
　　1）多数因果配对在因果强度阈值设定为0.5和0.9的情况下均获得了正收益且胜率超过50%；
　　2）标准普尔500与沪深300的因果配对测试胜率最高达57%，在因果强度阈值为0.5和0.9时测试结果差异不大；
　　3）中债10年国债与沪深300的因果配对测试胜率并不高，但获得了累计正收益，股债测试结果符合经济直觉；
　　4）黄金与美元指数的负向因果关系在因果强度阈值为0.5时测试累计盈亏为正，不过测试的因果关系中“因”为黄金，与一般情形不一致；
　　5）美债对于欧债的因果测试胜率最高达54%，美债对于中债的因果测试胜率高达56%，因果测试的结果表明美债对于欧债和中债的影响都比较大，符合预期；
　　6）铁矿与螺纹钢的关系是商品产业链中的一个典型，是原料和产成品的关系，两者的因果关系具有逻辑的支撑，模式因果模型进一步验证了这种关系。
　　无论是样本内，还是样本外，因果配对的因果强度是动态变化的，这与此前因果关系的研究结论一致。在实证测试的过程中，样本外的因果方向参考样本内结果。在投资过程中，复杂系统的因果关系仍需动态考量，Stavros K. Stavroglou等人的正向、负向、暗因果的因果强度是适宜的参考指标。综合过往的研究，我们发现因果关系在宏观和微观层面都是举足轻重的，后续将继续在金融复杂系统的框架下挖掘与因果关系关联的新方法。