4. 时序建模基础
在金融关系演化任务中，节点之间的连边并非静态存在，而是随时间不断产生、增强、衰减甚至消失。要刻画这种演化，必须先把“时间”这一维度引入模型。本节从经典时间序列分析出发，逐步过渡到循环神经网络、Transformer 时序建模，最后落到动态系统与演化建模的整体思路，为后续时序图神经网络打下基础。
一、核心原理：时间维度上的三种建模视角
时序建模的本质，是回答“过去如何影响现在与未来”。在金融场景中，这可以拆成三种视角：
- 统计视角：把序列看作随机过程，用自回归、移动平均、差分等刻画其平稳性与相关性，代表方法是 ARIMA 系列。
- 表示学习视角：用神经网络自动学习时序中的隐状态，RNN、LSTM、GRU 通过循环结构记忆历史，Transformer 通过注意力直接建模任意两时刻的依赖。
- 动态系统视角：把系统状态随时间的变化写成演化方程，强调状态转移、连续时间与稳定性，适合描述关系网络的整体演化。
三者并非互斥：统计方法提供可解释的基线，神经网络提供强拟合能力，动态系统提供演化机制的统一语言。金融关系演化通常需要三者结合。
二、方法流程：从序列到演化模型
把上述视角落地为可执行流程，通常包含以下步骤：
- 数据对齐：将交易、行情、公告等事件按统一时间粒度（如日、小时）对齐，形成带时间戳的节点特征与连边记录。
- 平稳性处理：对价格类序列做差分或对数收益变换，对连边强度做归一化，避免非平稳导致模型漂移。
- 序列编码：用滑动窗口构造样本，选择 RNN 或 Transformer 编码历史窗口，输出隐状态向量。
- 关系建模：将隐状态注入图结构，节点间通过消息传递更新表示，连边权重随时间动态调整。
- 演化预测：预测下一时刻的连边存在概率、强度或节点风险标签，并用滚动回测评估。
关键参数示例：窗口长度 20 个交易日、隐藏维度 64、注意力头数 4、学习率 1e-3、批量大小 32。这些参数需结合数据频率与图规模调整。
三、案例/场景：银行间同业关系演化
以银行间同业拆借网络为例，节点为银行，连边为拆借关系，权重为拆借金额。每天产生新的拆借记录，关系强度随市场流动性变化。建模目标是提前识别哪些连边可能增强或断裂，从而预警流动性风险传导。
| 建模阶段 | 输入 | 方法 | 输出 |
|---|---|---|---|
| 序列编码 | 各银行日度拆借量序列 | LSTM / Transformer | 节点隐状态 |
| 关系建模 | 隐状态 + 历史连边 | 图注意力 / 消息传递 | 连边表示 |
| 演化预测 | 连边表示 + 时间差 | 时序解码器 | 下一期连边强度 |
| 风险评估 | 预测强度 + 阈值 | 规则 + 分类器 | 风险预警名单 |
在该场景中，RNN 适合捕捉短期记忆，Transformer 适合捕捉跨周期的关联突变，而动态系统视角则帮助我们把“关系强度变化”写成可解释的转移方程，便于向业务方说明。
四、误区与复盘
常见误区一：忽视时间泄漏。在构造训练集时，若用未来信息填充历史窗口，回测指标会虚高。必须严格按时间切分训练、验证与测试集。
常见误区二：把静态图方法直接套用。静态 GNN 假设连边不变，无法刻画关系增强或断裂，需引入时间维度或快照序列。
常见误区三：过度依赖单一模型。纯 Transformer 在小样本金融数据上易过拟合，纯统计模型又难以捕捉非线性，建议以统计基线 + 神经网络 + 动态约束组合验证。
复盘时建议记录每次实验的时间窗口、特征版本与图快照版本，形成可追溯的演化实验日志。只有把时间当作一等公民，后续的时序图神经网络才能真正服务于金融关系演化的预测与解释。