一、金融事件图谱概述

大家好，我是这次课程的主讲人。在金融科技领域摸爬滚打了这么多年，我越来越觉得——数据之间的关系，往往比数据本身更值钱。

今天咱们聊的「金融事件图谱」，说白了，就是一种把金融世界里发生的各种事，以及它们之间的关联，用图的形式组织起来的技术。嗯，这里有个关键点：它不是简单的数据库，而是一张能推理、能演化的知识网络。

1.1 什么是金融事件图谱

先别急着背定义。我举个例子你就明白了。

假设你看到一条新闻：「某地产公司债券违约」。传统数据库里，这只是一条记录。但在事件图谱里，它会变成这样：

• 事件节点：债券违约事件
• 参与方：该地产公司（发行人）、承销商、评级机构
• 关联事件：此前3个月的评级下调、大股东减持、行业政策收紧
• 影响传导：→ 相关产业链公司股价下跌 → 银行坏账风险上升

你看，一个孤立的事件，在图谱里就变成了一串连锁反应的起点。我个人习惯把这种结构叫做「金融世界的因果链」。

它和传统的知识图谱有什么区别？我简单列个表：

对比维度	传统知识图谱	金融事件图谱
核心单元	实体（人、公司、产品）	事件（违约、并购、制裁）
关系类型	静态关系（属于、位于）	动态关系（导致、引发、抑制）
时间维度	弱（通常只记录属性变化）	强（事件发生时间、持续时间、影响窗口）
推理能力	基于实体属性的推理	基于事件因果链的推理

说白了，传统图谱告诉你「谁是谁」，事件图谱告诉你「发生了什么，以及接下来会怎样」。

1.2 图谱在风控与投研中的应用价值

我在做风控系统的时候，遇到过这样一个场景：一家看似健康的上市公司，突然暴雷。事后复盘发现，其实早在6个月前，就有多个预警信号——供应商诉讼、实控人股权质押、行业政策转向。但这些信号分散在不同的数据源里，没人把它们串起来看。

事件图谱要解决的，就是这个痛点。

风控场景：从被动响应到主动预警

• 关联风险传导：A公司违约 → 担保方B公司代偿 → B公司流动性紧张 → B公司供应商C回款延迟。图谱能自动画出这条风险传导路径。
• 异常模式识别：多个看似无关的事件（高管离职、资产出售、审计师变更），在图谱中可能指向同一个风险模式。
• 实时监控：新事件发生后，自动匹配已有风险图谱，计算关联度并触发预警。

投研场景：从信息过载到决策辅助

做投研的朋友应该深有体会：每天几百条新闻、几十份研报、无数个数据指标。人的精力是有限的，但图谱可以帮你做第一轮筛选。

• 事件驱动策略：图谱自动识别「并购事件」→ 分析历史类似并购的股价反应 → 给出概率分布。
• 产业链传导：上游原材料涨价 → 中游成本承压 → 下游终端提价。图谱能量化每个环节的影响程度。
• 反常识发现：我印象很深的一个案例——图谱发现某公司「业绩预增」和「大股东减持」同时出现，这在历史数据中往往意味着短期见顶。果然，一周后股价开始回调。

1.3 课程整体架构与学习路径

这个课程一共30章，我把它分成了四个阶段。你想想看，就像盖房子一样，得先打地基，再搭框架，然后装修，最后验收。

下面这张图，是我自己画的课程知识体系，你可以先有个整体印象：

具体来说，每个阶段的核心任务是这样的：

• 基础篇（第1-6章）：打好概念基础，学会数据采集和实体识别。嗯，这里有个坑——很多人一上来就想搞复杂的推理，结果连数据清洗都没做好。我建议你沉住气，把基础打牢。
• 核心篇（第7-15章）：这是最硬核的部分。事件抽取、时序建模、因果推理，每一个都是独立的技术栈。我记得第一次做事件抽取时，准确率只有60%，调了两个月才到85%。
• 实战篇（第16-24章）：把前面学的技术落地到真实场景。我们会一起构建一个风控图谱和一个投研图谱，从数据到服务，全链路打通。
• 进阶篇（第25-30章）：聊聊前沿方向。大模型怎么和图谱结合？动态图谱怎么实时更新？这些是我目前在研究的方向，也分享给你。

好了，第一章就到这里。从下一章开始，我们会正式进入技术细节。准备好了吗？

---