4. 金融图构建方法

金融图建模的第一步不是选模型，而是把分散在业务系统、公告文本和外部数据源中的金融对象与关系，抽象成一张可计算的异构图。与社交网络不同，金融图往往同时包含账户、企业、个人、证券、行业、事件等多种节点类型，边也带有方向、时间、金额、比例、置信度等属性。本节围绕四类最常见的数据源，讲清从原始记录到图结构的构建方法、字段映射与常见陷阱。

一、核心原理：金融图是“实体—关系—属性”的三元投影

任何金融数据源都可以拆成三元组：主体（谁）、关系（做了什么）、属性（何时、多少、多强）。交易记录中，主体是付款方与收款方，关系是资金流，属性是金额与时间戳；股权关系中，主体是股东与被投企业，关系是持股，属性是持股比例；供应链中，主体是供应商与采购方，关系是供货，属性是采购金额与账期；新闻共现中，主体是新闻中出现的实体，关系是共现，属性是共现次数与情感倾向。

构建金融图的关键判断是：哪些字段升格为节点，哪些字段降格为边属性。例如“行业”既可以作为节点形成企业—行业隶属边，也可以作为企业节点的一个类别属性。前者适合做跨行业传导分析，后者适合做节点分类。选择取决于下游任务：若需要沿行业路径传播风险，就应建为节点；若只做企业标签预测，作为属性更省存储。

二、四类数据源的构建流程与字段映射

下面给出从原始表到 PyTorch Geometric 可用的 HeteroData 对象的通用流程。核心步骤是：清洗实体标识 → 建立节点索引 → 抽取边与边属性 → 构造特征矩阵 → 封装为异构图。

# 以交易记录为例的构建骨架（伪代码）
import torch
from torch_geometric.data import HeteroData

data = HeteroData()

# 1. 节点：账户去重并建立全局索引
accounts = sorted(set(df['payer_id']) | set(df['payee_id']))
acc2idx = {a: i for i, a in enumerate(accounts)}
data['account'].x = torch.tensor(account_features)  # [N_acc, F]

# 2. 边：付款方 -> 收款方，金额与时间作为边属性
src = [acc2idx[p] for p in df['payer_id']]
dst = [acc2idx[q] for q in df['payee_id']]
edge_index = torch.tensor([src, dst], dtype=torch.long)
edge_attr = torch.tensor(df[['amount', 'timestamp']].values, dtype=torch.float)
data['account', 'transfers_to', 'account'].edge_index = edge_index
data['account', 'transfers_to', 'account'].edge_attr = edge_attr

# 3. 股权：股东 -> 企业，持股比例作为边权
data['shareholder', 'holds', 'company'].edge_index = hold_index
data['shareholder', 'holds', 'company'].edge_attr = hold_ratio

# 4. 供应链：供应商 -> 采购方
data['supplier', 'supplies', 'buyer'].edge_index = supply_index

# 5. 新闻共现：实体 <-> 实体，共现次数与情感
data['entity', 'co_occurs', 'entity'].edge_index = co_index
data['entity', 'co_occurs', 'entity'].edge_attr = co_attr

四类数据源在清洗阶段各有侧重。交易记录要处理同名账户、内部转账、循环转账和金额量纲差异；股权关系要处理多层嵌套、代持和比例归一化；供应链要处理供应商名称模糊匹配和采购金额缺失；新闻共现要处理实体消歧、指代消解和共现窗口选择。下表给出对照清单。

三、案例场景：把四类边融合成一张异构图

假设我们要为一家银行构建企业客户风险图。企业节点来自对公账户开户信息，个人节点来自股东和高管，账户节点来自交易流水。交易边刻画资金往来，股权边刻画控制关系，供应链边刻画业务依赖，新闻共现边刻画舆情关联。四类边共享同一批企业节点，但边类型不同，形成典型的异构图。

在 PyG 中，异构图的价值在于可以对不同边类型分别做消息传递。例如，资金流边使用金额加权聚合，股权边使用比例加权聚合，新闻共现边使用注意力聚合。这样模型能区分“资金强关联”和“舆情弱关联”，避免把所有关系混为一谈。

四、误区与复盘：构建阶段最容易踩的五个坑

• 把边属性当节点特征：金额、比例、时间戳放在节点上会导致同一实体在不同关系下特征冲突，应保留在边上。
• 忽略时间维度：金融关系具有强时效性，交易边和新闻共现边应带时间戳，必要时按时间窗口切片建图。
• 实体消歧不彻底：同一公司在交易、股权、新闻中使用不同名称，若不统一 ID，图会被割裂成多个孤立子图。
• 边方向随意：资金流、股权、供应链都有明确方向，方向反了会导致消息传递语义错误。
• 权重未归一化：交易金额与持股比例量纲差异大，直接拼接会主导模型，应按边类型分别归一化。