1. 课程导论：金融图谱风险传导巡检的背景、目标与课程整体框架
1.1 为什么需要金融图谱风险传导巡检
在传统金融风控体系中，风险识别往往聚焦于单一主体（企业、个人）的静态指标，如资产负债率、逾期天数、信用评分等。然而，随着金融业务复杂度的提升，风险不再孤立存在，而是沿着担保链、供应链、股权链、关联交易链等路径快速传导，形成“多米诺骨牌”效应。单一节点的风险暴露，可能通过图谱中的多条路径引发系统性连锁反应。
核心痛点：传统风控无法有效捕捉风险在复杂关系网络中的传导路径与累积效应，导致风险预警滞后、误判率高。
知识图谱技术通过将实体（企业、个人、产品）与关系（担保、投资、交易、控制）建模为图结构，为风险传导分析提供了天然的数学基础。而“巡检”机制则借鉴了网络运维领域的定期健康检查理念，将图谱分析从一次性的“风险排查”升级为持续性的“动态监测”。
1.2 课程目标与学习收益
本课程旨在培养学员掌握基于知识图谱进行风险传导路径发现、量化评估与自动化巡检的核心能力。完成本课程后，学员将能够：
| 能力维度 | 具体目标 | 应用场景 |
|---|---|---|
| 图谱建模 | 设计面向风险传导的金融图谱Schema | 担保圈、供应链、股权穿透建模 |
| 传导分析 | 实现基于图算法的风险传导路径发现与评分 | 违约传染路径、资金链断裂传导 |
| 巡检策略 | 制定周期性、事件驱动的巡检规则与流程 | 季度担保圈巡检、重大舆情触发巡检 |
| 系统实现 | 搭建可落地的风险传导巡检引擎 | 实时告警、可视化传导链路 |
1.3 课程整体框架
本课程共分为六大模块，从基础理论到工程实践，层层递进：
- 模块一：图谱基础与风险传导理论 — 知识图谱核心概念、金融风险传导机理、图数据模型设计。
- 模块二：金融图谱构建与数据治理 — 多源异构数据接入、实体对齐、关系抽取、图数据库选型（Neo4j/JanusGraph）。
- 模块三：风险传导路径发现算法 — 广度优先搜索（BFS）、社区发现（Louvain）、PageRank变体、图神经网络（GNN）基础。
- 模块四：巡检策略与规则引擎 — 巡检周期设计、阈值设定、事件触发规则、动态优先级调度。
- 模块五：巡检结果可视化与告警 — 传导链路图渲染、风险热力图、实时仪表盘、告警聚合与降噪。
- 模块六：实战案例与系统集成 — 担保圈风险巡检、供应链金融传导预警、与现有风控系统对接。
学习建议：建议学员在模块一和模块二阶段，同步搭建本地图数据库环境（推荐Neo4j Desktop），边学边练，加深对图谱结构的理解。
1.4 风险传导巡检的核心流程
下图展示了金融图谱风险传导巡检的标准化作业流程，从数据接入到告警处置形成闭环：
1.5 巡检体系的关键设计原则
在设计风险传导巡检系统时，需遵循以下原则以确保系统的有效性与可扩展性：
- 时效性分层：高频指标（如资金流水）采用分钟级巡检，低频指标（如股权变更）采用日级巡检，避免计算资源浪费。
- 传导深度控制：默认限制传导路径深度为3~5跳，防止图谱爆炸导致计算超时；高风险场景可动态放宽深度。
- 多源信号融合：同时考虑结构化数据（财务指标）与非结构化数据（新闻舆情），通过图谱实体链接实现信号交叉验证。
- 可解释性优先：每条告警必须附带完整的传导路径与评分依据，支持风控人员回溯与复核。
常见误区：不要试图构建“大而全”的图谱，初期应聚焦于高价值关系（如担保、控股、大额交易），逐步迭代扩展。过度建模会导致数据质量下降和维护成本激增。
1.6 课程配套资源与学习路径
本课程提供以下配套资源，帮助学员巩固理论与实践：
| 资源类型 | 内容说明 | 获取方式 |
|---|---|---|
| 数据集 | 脱敏的企业担保关系数据集（含5000+节点、20000+关系） | 每章末尾提供下载链接 |
| 代码仓库 | Python巡检引擎框架、图算法实现、可视化组件 | GitHub仓库（课程专属分支） |
| 作业与测验 | 每章配套编程作业与选择题，巩固知识点 | 在线学习平台自动批改 |
| 答疑社区 | 专属讨论区，讲师与助教定期回复 | 课程平台内嵌 |
建议学员按照“观看视频 → 阅读讲义 → 完成作业 → 参与讨论”的循环进行学习，每章学习时间控制在2~3小时。