1. 课程导入
金融数据天然带有“关系”与“时间”双重属性：企业之间的股权、担保、供应链、资金往来构成复杂网络，而这些网络并非静态，会随财报周期、市场事件、监管政策不断演化。传统图神经网络（GNN）擅长刻画某一时刻的节点与边，却难以回答“关系如何随时间变化、变化又如何影响风险与收益”。本课程以时序图神经网络（Temporal Graph Neural Network, TGNN）为主线，带你从零构建可落地的金融关系演化分析系统。
一、学习目标：从“看懂”到“做出来”
完成本课程后，你应能独立完成以下四类任务：
- 建模能力：把金融业务中的股权变更、担保链、资金流转化为带时间戳的动态图（Temporal Graph），并选择合适的TGNN架构。
- 工程能力：搭建从数据接入、图快照/事件流构建、模型训练到在线推理的完整流水线。
- 分析能力：解释关系演化对信用风险、关联交易、异常资金链的传导路径，输出可被风控与投研团队使用的结论。
- 评估能力：用时间切分、滚动回测、链路预测与节点分类指标，避免“未来信息泄漏”这一金融时序建模的致命错误。
二、核心概念：动态图、消息传递与时间编码
TGNN的核心思想是：节点状态不仅由邻居决定，还由“何时发生交互”决定。理解以下三个概念，后续章节才不会迷路。
- 动态图表示：常见两种形式——离散快照（Snapshot）与连续事件流（Event Stream）。前者按日/周切片，适合批处理；后者以（源节点、目标节点、时间戳、边特征）四元组记录，适合实时风控。
- 时序消息传递：在聚合邻居信息时，引入时间衰减或时间注意力，使“上周的担保”比“三年前的担保”权重更高。
- 时间编码：将绝对时间或时间差映射为向量，与节点/边特征拼接，让模型感知“关系的新鲜度”。
三、整体框架：四层架构与数据流
本课程采用“数据层—图构建层—模型层—应用层”的四层框架。下图展示了从原始金融数据到风险输出的完整信号流，其中时间轴贯穿始终，是TGNN区别于静态GNN的关键。
数据流的关键在于：图构建层必须保留时间戳与事件顺序，否则模型层无法区分“先担保后违约”与“先违约后担保”这两种截然不同的因果方向。
四、实战路线图：30章如何一步步落地
课程按“基础—建模—实战—复盘”四阶段推进，每阶段都有可运行的代码与真实金融数据集（脱敏）。下表给出阶段目标与关键交付物。
| 阶段 | 章节范围 | 核心任务 | 交付物 |
|---|---|---|---|
| 基础篇 | 第1–8章 | 动态图表示、时间编码、TGNN经典架构（TGN、TGAT、EvolveGCN） | 可复现的图数据管道与基线模型 |
| 建模篇 | 第9–18章 | 金融事件建模、异构图、时序注意力、训练与调参 | 风险评分与链路预测模型 |
| 实战篇 | 第19–26章 | 担保链风险、资金流异常、关联交易识别、在线推理 | 端到端风控原型系统 |
| 复盘篇 | 第27–30章 | 回测、可解释性、常见陷阱、生产化部署 | 评估报告与部署方案 |
五、常见误区与复盘要点
误区一：把动态图当静态图处理。直接对全时段图做GNN，会引入未来信息，回测指标虚高，实盘失效。
误区二：忽略时间粒度与业务节奏。用分钟级流水训练财报预测模型，噪声远大于信号。
误区三：只关注节点分类，忽略链路预测。金融风控中“未来是否新增担保关系”往往比“当前节点是否违约”更有预警价值。
复盘时建议固定三件事：时间切分方式（滚动窗口而非随机划分）、负采样策略（按时间与业务逻辑采样，而非均匀随机）、基线对比（静态GNN、逻辑回归、专家规则）。只有基线足够强，TGNN的增量价值才可信。
本节是整门课程的“地图”：你已了解TGNN要解决的核心问题——关系随时间演化，以及四层架构与30章路线。接下来将从动态图的数据结构开始，亲手把金融事件流变成模型可读的张量。