金融社交网络中经济增长与失业率的安全监测预警方法——基于Boruta-SHAP与Transformer-XL(BST-XL)模型

《Frontiers in Physics》：A security monitoring and warning method for economic growth and unemployment in financial social networks

　　

准确预测经济增长(GDP增长率等)与失业率(unemployment rate)是金融社交网络(financial social networks)中宏观经济调控的重要前提。传统安全监测预警(security monitoring and warning)方法常依赖滞后的官方统计数据，难以实时捕捉经济动态中的非线性关联与突发信号。为此，研究人员提出一种基于Transformer-XL并结合Boruta-SHAP两阶段特征选择的Boruta-SHAP与Transformer-XL(BST-XL)安全监测预警模型。该框架首先构建基于集成学习框架与Shapley Additive Explanations(SHAP)可解释性分析的Boruta-SHAP(BS)两阶段特征选择方法，从给定特征集中识别与经济时序任务(聚焦经济增长与失业率)相关的重要特征，有效解决经济时序数据中的特征冗余问题；其次，利用Transformer-XL衡量历史经济序列对近期经济动态的影响，获取经济动态的最新状态特征，从而准确预测经济增长与失业率的动态变化。实验分析表明，BST-XL在经济增长与失业率预测中表现良好，具有更高的安全监测精度，适用于金融社交网络中经济增长与失业率的预测模型。

论文解读：金融社交网络中基于Boruta-SHAP与Transformer-XL的经济增长与失业率安全监测预警研究

一、研究背景与意义

传统宏观经济安全监测预警依赖季度GDP、月度失业率等官方统计年鉴数据，存在显著发布滞后(1–2个月至数周)，难以在经济受突发事件(疫情、政策调整等)扰动时实时反映波动；且传统计量模型(如向量自回归VAR、误差修正模型)基于线性假设，难以刻画消费预期与投资意愿、产业结构调整对就业市场的复杂非线性动态反馈。随着互联网发展，金融社交网络(financial social networks)数据——含搜索引擎消费类关键词搜索趋势、社交媒体经济政策讨论、金融新闻情感倾向、电商平台交易评论——具高频、时效性与多源特征，可提前反映经济主体行为与预期(如失业补助搜索量激增预示失业率上行压力、新能源车消费热度反映行业对GDP贡献潜力)，但其存在非结构化、大量冗余娱乐话题与无效重复信息，直接输入模型会引入噪声降低监测精度，且在线数据与传统指标间多维耦合关系难以用简单方法解耦。深度学习(LSTM等)虽具非线性拟合与长时依赖捕获能力，但LSTM处理超长时序仍存在记忆衰减，标准Transformer因固定长度分段割裂跨片段依赖。针对上述特征筛选难与长时依赖建模不足问题，研究人员开展融合Boruta-SHAP特征选择与Transformer-XL长序列建模的BST-XL框架研究，验证其在金融社交网络驱动的经济增长与失业率监测预警中的有效性，论文发表于《Frontiers in Physics》。

二、主要关键技术方法

研究人员采用比特币(Bitcoin)与狗狗币(Dogecoin)数据集(含交易量、每小时最高/最低价、成交量加权平均价，作为宏观经济不确定性与市场情绪的先行观测载体)及传统经济指标融合的金融社交网络特征集。关键方法：(1)Boruta-SHAP两阶段特征选择：复制原始特征并随机打乱生成shadow特征，用排列重要性(Permutation Importance)评估，通过双边T检验对比原特征与shadow特征重要性Z值，循环剔除不重要特征、确认重要特征，结合SHAP值量化各特征对预测的贡献与方向；(2)Transformer-XL时序建模：引入片段递归机制(segment-level recurrence)缓存上一时序片段隐藏态供当前片段计算以保留跨片段长时依赖，采用相对位置编码(relative positional encoding)替代绝对位置编码以强化跨片段位置关系感知；(3)模型训练采用带动量的SGD(Stochastic Gradient Descent, 动量系数β=0.9)优化器，引入标签平滑(label smoothing, 平滑系数ε)抑制过拟合，按时间顺序划分时序数据做交叉验证；(4)评估指标选用均方误差(Mean Square Error, MSE)、平均绝对误差(Mean Absolute Error, MAE)为主，辅以F1-score(F1)与受试者工作特征曲线下面积(Area Under Curve of ROC, AUC)辅助评价趋势方向判别能力，基准对照模型含LSTM、双向LSTM(Bi-directional LSTM, BiLSTM)、ARIMA(Autoregressive Integrated Moving Average)、Informer、Transformer及对应结合Boruta-SHAP的变体。

三、研究结果

4.2 Analysis of economic characteristics result of Boruta-SHAP

在Bitcoin与Dogecoin数据集上，加入Boruta-SHAP特征选择的模型(BSL、BSB、BST、BST-XL)均优于未加特征选择的对应基模型(L、B、T、T-XL)。其中BST-XL在Bitcoin上MSE=0.177、MAE=0.315，较未加BS的Transformer-XL(T-XL, MSE=0.243、MAE=0.352)MSE降低约27.16%、MAE降低约10.51%；在Dogecoin上BST-XL MSE=0.373、MAE=0.397，较T-XL(MSE=0.429、MAE=0.438)MSE降低约13.05%、MAE降低约9.36%，且在所有对比模型中误差最小。表明Boruta-SHAP可有效滤除金融社交网络中无关冗余特征，提升输入质量，Transformer-XL凭借片段递归与相对位置编码能更好捕获长短期经济非线性关联与长时依赖，二者结合实现最高监测精度。

4.3 Analysis of Transformer-XL

将Transformer-XL与LSTM、BiLSTM、ARIMA、Informer、Transformer对比，在Bitcoin上Transformer-XL MSE=0.263、MAE=0.343为最低(次优Transformer MSE=0.369、MAE=0.415)；在Dogecoin上Transformer-XL MSE=0.442、MAE=0.460亦为最低(LSTM MSE=0.714、MAE=0.769)。说明在金融社交网络数据驱动的经济增长与失业率长期安全监测任务中，Transformer-XL较传统RNN系、经典计量模型及标准Transformer更能挖掘数据中长期与短期依赖关系，提升预测准确性。

4.4 Comparative analysis of ablation experiment

消融实验显示：Bitcoin上单独Transformer的F1=0.833，引入Boruta-SHAP后升至0.897(提升7.7%)，采用BST-XL组合(加Transformer-XL)F1=0.962(较单独Transformer提升15.5%)；Dogecoin呈相同趋势(Boruta-SHAP+Transformer F1=0.852，BST-XL F1=0.958)。ROC曲线显示BST-XL在Bitcoin上AUC=0.96442、Dogecoin上AUC=0.94813，均高于单独Transformer(AUC分别0.88942、0.87586)。证实Boruta-SHAP筛选高价值网络经济特征与Transformer-XL捕获长时经济模式的模块间具显著协同效应，前者去噪保征输入质量，后者通过相对位置编码区分时序差异，共同提升经济指标趋势监测精度。经多轮重复实验与统计显著性检验，BST-XL性能提升非随机波动或抽样偏差导致。

四、讨论与结论

研究人员提出融合Boruta-SHAP两阶段特征选择与Transformer-XL长序列建模的BST-XL框架用于金融社交网络中经济增长与失业率的安全监测预警。Boruta-SHAP通过集成树重要性评估与SHAP值解释剔除金融社交网络数据冗余特征，保留对经济时序预测高贡献特征；Transformer-XL利用片段递归机制复用历史片段隐状态、相对位置编码感知跨片段时序距离，有效建模长周期经济趋势(多年GDP周期、失业率周期波动)对短期经济动态(近期求职搜索量、消费话题热度)的影响权重，获取融合长短期特征的最新经济状态表征并动态更新。实验验证BST-XL在比特币与狗狗币数据集的经济时序预测中MSE与MAE均低于LSTM、BiLSTM、ARIMA、Informer及标准Transformer，且结合Boruta-SHAP较未结合版本进一步降低误差，消融与AUC/F1评估证实两模块协同增效。该模型突破传统监测滞后性与线性假设局限，充分利用金融社交网络高频先行信号与长时经济规律，可为政策制定者提供高频准确的经济增长与失业率安全监测，辅助企业投资决策与劳动力市场供需调节，具重要实践意义。