1. 课程导入

在传统金融数据分析中，我们习惯把客户、账户、交易、企业、担保、舆情等对象存放在一张张独立的表里，再用 SQL 做关联查询。但当风险传导、资金环路、团伙欺诈、担保链风险、跨市场联动等问题出现时，表结构的局限就暴露出来：它擅长描述"是什么"，却很难直观回答"谁和谁通过什么路径连在一起、这种连接有多强、去掉哪个节点会让网络断裂"。这正是图分析要解决的核心问题。

一、为什么金融场景需要图分析

金融数据天然具有网络属性。一个对公客户背后可能关联多家子公司、多个实际控制人、多笔担保和多次资金往来；一笔可疑交易可能只是冰山一角，真正有价值的是它所在的资金流转网络。图结构把"实体"抽象为节点，把"关系"抽象为边，让连接本身成为一等公民。相比宽表，图分析在以下方面具有明显优势：

• 路径可解释：资金从 A 到 B 再到 C 的完整链路可以被直接枚举和展示，满足反洗钱与审计的可解释要求。
• 社区可发现：通过社区发现算法，可以自动把联系紧密的客户群、团伙或企业集团聚成一类，辅助团伙识别。
• 中心性可度量：度中心性、介数中心性、接近中心性等指标能量化节点在网络中的影响力与枢纽地位。
• 结构可对比：正常交易网络与异常网络在密度、聚类系数、环路数量上往往存在可观测差异。

二、本课程的学习目标

本课程面向有一定数据分析或金融风控基础的学习者，目标是让大家从"会查数"进阶到"会看网络、会算结构、会解释结果"。完成全部 30 章后，你应当能够：

1. 理解图、节点、边、属性、路径、子图、连通分量等核心概念，并能把金融业务对象正确映射为图模型。
2. 掌握社区发现的主流算法思想，包括标签传播、Louvain、Leiden 等，并理解模块度等评价指标。
3. 掌握网络结构分析的关键指标，如度分布、聚类系数、中心性、最短路径、连通性。
4. 能够使用 Python 生态（NetworkX、igraph、cuGraph 等）完成从构图、计算到可视化的完整流程。
5. 能够把图分析结果转化为风控、营销、反欺诈等业务可用的结论与规则。

三、核心概念速览

在正式进入算法之前，先建立统一的概念坐标系。下图展示了金融图分析中从原始数据到业务洞察的整体结构关系，包括数据层、图模型层、算法层与业务应用层之间的映射。

理解这张结构图后，后续每一章都会落在其中某一层或某几层的交叉点上。数据层解决"用什么建图"，图模型层解决"图长什么样"，算法层解决"怎么算"，业务层解决"算出来有什么用"。

四、方法流程与典型场景

一个完整的金融图分析项目通常遵循以下流程，本课程后续章节会逐步展开每个环节：

1. 业务问题定义：明确是找团伙、找枢纽、找路径还是做风险评分。
2. 实体与关系建模：确定节点类型（客户、账户、企业、设备、IP）和边类型（转账、担保、控股、共用联系人）。
3. 构图与清洗：处理重复边、自环、孤立点、时间窗口切分。
4. 结构指标计算：度、聚类系数、连通分量、中心性。
5. 社区发现：运行算法并评估模块度、稳定性。
6. 结果解释与落地：把社区、枢纽、异常路径转化为名单、规则或评分。

五、常见误区与复盘提醒

复盘时建议问三个问题：这张图是否真实反映了业务关系？算法参数是否经过敏感性验证？结论能否被业务人员理解和执行？如果三个答案都是肯定的，图分析才真正完成了从技术到价值的闭环。