Numerosos estudios se basan en la correlación entre factores bursátiles, lo que afecta el valor de medición y la interpretabilidad de dichos estudios. La investigación sobre la causalidad entre factores bursátiles se basa principalmente en modelos estadísticos y algoritmos de aprendizaje automático, sin aprovechar completamente las formidables capacidades computacionales de los modelos de aprendizaje profundo. Además, la inferencia de relaciones causales depende en gran medida de la prueba de causalidad de Granger, que no es adecuada para factores bursátiles no estacionarios y no lineales. Además, la mayoría de los estudios existentes no consideran el impacto de variables de confusión o una validación adicional de las relaciones causales. En respuesta a las deficiencias actuales en la investigación, este documento presenta un algoritmo basado en aprendizaje profundo destinado a inferir relaciones causales entre los precios de cierre de las acciones y factores relevantes.