《AppliedMath》：Temporal Event-Causality Graphs for Financial Contagion: Learning Shock Propagation Across Event Types from Financial News
编辑推荐：
金融传染——冲击在市场、部门和时间上的传播——仍然是实证金融学的核心问题之一，然而大多数计算方法在错误的粒度上对其进行建模。现有工作通过测量特定证券之间的已实现收益或波动率联动，在资产层面捕捉传染，这混淆了结构模式与其表面表现。研究人员认为，传染中真正的因果规
金融传染——冲击在市场、部门和时间上的传播——仍然是实证金融学的核心问题之一，然而大多数计算方法在错误的粒度上对其进行建模。现有工作通过测量特定证券之间的已实现收益或波动率联动，在资产层面捕捉传染，这混淆了结构模式与其表面表现。研究人员认为，传染中真正的因果规律性存在于事件类型（利率决策、违约公告、监管行动）之间，而非个别资产之间。本文介绍了TECG框架，该框架从新闻文本中学习抽象金融事件类型之间的时间戳因果-时间关联边（预测性依赖关系，而非已识别的因果效应），并利用它们预测多步传染级联。在方法论上，TECG可被解读为事件序列的神经脉冲响应函数（IRF）：经典的结构向量自回归（SVAR）IRF追踪一个连续变量对另一个变量冲击的动态响应，而TECG则追踪一个事件类型在另一个事件类型冲击后以学习到的、可能多模式的滞后发生时的条件强度。该框架将基于大语言模型（LLM）的事件提取与多变量神经霍克斯过程（Neural Hawkes Process）相结合，其强度函数由时间图神经网络参数化。生成的图具有可解释的、带时间戳的边，形式为“事件类型A以滞后分布L和条件强度κ触发事件类型B”。研究人员在涵盖2007-2023年约482,000条金融新闻的聚合语料库上评估了TECG，并报告了三项发现。第一，学习到的边恢复了与金融中已知因果关系一致的关联——中央银行公告先于部门级别的盈利修正，一家机构的违约事件先于竞争对手的尽职调查事件——而无需对这些关系进行监督。第二，截至2018年数据学习到的边，在2020年（COVID股票崩盘）和2023年（美国区域性银行压力）的持有级联上，其迁移效果显著优于忽略时间结构或在资产层面操作的基线方法。第三，该框架支持广义脉冲响应分析：给定一个假设的种子事件，它生成一个下游事件链的分布，分析师可以查询、添加时间戳并解析实体。研究人员明确表示，实证验证是观察性的，因果解释依赖于研究人员详细讨论的假设。所有主要比较均通过配对自举显著性检验支持；提取前端在手动标注的基准上独立评估，并进行了显式误差传播分析；还报告了与近期时间点过程和时间图基线的额外比较。该框架的主要局限性在于它未能单独识别内生性甩卖或杠杆螺旋动态；研究人员指出了这些缺口可以如何弥补。
**论文解读：金融传染的时间事件因果图——从新闻文本中学习事件类型间的冲击传播**
**研究背景与问题**
金融传染——冲击在市场、部门和时间上的传播——是实证金融学的核心问题之一。长期以来，监管者、学者和风险管理者反复追问：给定金融系统某一点的冲击，能否预测其如何传播？现有文献主要在资产价格层面建模，通过方差分解溢出指数、网络债务排名（DebtRank）度量、非对称波动率传输模型等工具，刻画资产收益率的时变协方差，并从中推断传播。然而，这些方法将结构模式与其表面表现混淆：真正的因果规律性存在于事件类型之间（如利率决策、违约公告、监管行动），而非特定资产之间。例如，加息公告并非对纳斯达克综合指数有独特影响，而是对利率敏感部门产生结构性影响，只是由于指数构成才在纳斯达克上显现。当前缺乏一个能够学习事件类型间因果-时间结构、并用于预测多步传染级联的集成框架。因此，研究人员开展了本研究，旨在构建时间事件因果图（TECG），从金融新闻中提取结构化事件，学习事件类型间的因果-时间关联，并验证其跨时段迁移能力与反事实模拟效用。该论文发表在《AppliedMath》。
**关键技术与方法**
TECG框架由四个主要模块组成：事件提取前端、时间图编码器、参数化成对核函数和点过程似然函数。事件提取前端采用两阶段流程：第一阶段使用基于RoBERTa-base的变换器编码器，在句子级别进行触发词检测和事件类型分类；第二阶段使用大语言模型（LLM），通过结构化提示提取实体参数并分配情感极性。时间图编码器采用时间图注意力（TGAT）变体，将事件实例作为节点，通过功能时间编码和注意力机制生成每个事件类型的上下文向量。成对核函数将每个激发核参数化为对数正态混合分布，由前馈网络输出，并施加L1正则化鼓励稀疏性。训练目标最大化多变量点过程对数似然函数，并加入稀疏正则项。模型在约482,000条金融新闻（2007–2023年）的聚合语料库上训练，样本来源包括路透社金融新闻、彭博头条、SEC EDGAR文件、华尔街日报和金融时报。训练窗口为2007–2018年，验证窗口为2019年上半年，并预留了2020年COVID股票崩盘、2023年美国区域性银行压力以及2022年随机10%时间切片作为测试集。
**研究结果**
**A. 边恢复**：TECG在专家策展的350个事件类型对中，恢复73.4%的已知因果-时间边，精度64.1%。学习到的边包括“通胀数据→利率决策”（滞后模式28天）、“利率决策→部门盈利增长”（滞后模式8–22天）、“违约事件→评级行动”（滞后模式1–3天）等，与金融经济学预期一致。相比之下，无图编码器的基线（Per-edge Hawkes）召回率仅54.7%，精度49.0%，表明时间图编码器贡献显著。时间排序乱序的假检验召回率降至0.09，证实边反映了真实时间结构。
**B. 级联预测**：在7天预测视界上，TECG的F1@10达0.61，优于最强基线Per-edge Hawkes（0.49）及Transformer Hawkes过程（THP，0.53）和时间图网络（TGN-Event，0.52）。优势在细粒度217种事件类型级别最大，在粗粒度12大类级别缩小。按类别分解表明，TECG在信贷和监管类别优势最大，宏观发布类别因可预测日历而优势较小。
**C. 跨时段泛化**：热图显示，跨时段（训练于2018年前数据，测试于2020或2023年）平均F1@10为0.43，远高于随机基线但低于时段内平均0.70。迁移损失分解显示，约38%来自基线率变化，47%来自边强度变化，15%来自滞后分布变化。2023年SVB快速级联更难预测（时段内F1=0.61），而2008年金融危机时段内F1=0.78。
**D. 反事实级联模拟**：通过三个案例展示反事实模拟：假设美联储加息75个基点，预测一级效应（部门盈利修正、信用利差扩大）和二级效应（评级行动、非银行金融机构融资压力）与历史模式一致；假设区域银行倒闭，系统预测同行存款提取（概率0.66）和监管干预（概率0.48）；假设主权评级下调，预测外汇波动和利率曲线陡化。但系统未能预测到美联储紧急贷款工具创设，因训练数据中无类似事件。
**E. 消融与敏感性分析**：移除时间图编码器使7天F1@10从0.61降至0.42；替换基于LLM的提取器为规则方法降至0.39；移除稀疏正则化使图密度增加一个数量级但F1仅增0.01。对事件类型粒度的敏感性：粗化至52种中级类型F1降0.03，粗化至12种降0.07，细化至380种降0.02。噪声注入实验：标签污染5%、10%、20%分别使F1降至0.59、0.56、0.48，稀有类型噪声损害加倍。
**总结与讨论**
讨论部分指出，框架学习的是因果-时间规律性而非反事实因果效应，边可能受未观测混杂因素影响。反向因果问题通过滞后模式合理性部分缓解，但尚不能排除慢速潜在混杂变量。事件提取误差包含隐式事件遗漏和多事件句子折叠，需通过提取器改进解决。内生性市场动态（如甩卖、杠杆螺旋）未被单独识别，框架将其视为事件序列整体，未分解传播机制，导致在最大反射性事件（如2008年最剧烈日、2020年现金抢购）中预测不确定性更高。跨时段性能损失中约47%来自边强度变化，建议实际部署采用滚动重拟合而非一次性训练。
**研究结论**
本文介绍了TECG框架，用于从金融新闻中学习时间事件因果图。该框架将基于LLM的事件提取与神经霍克斯过程相结合，其核函数由时间图编码器参数化。结果是一个可解释的图，其边表示学习到的条件强度，即一个事件类型以实体和滞后为参数触发另一个事件类型的强度。研究人员提出了三项主张并提供了证据：第一，类型级因果-时间关联可从提取的金融事件中学习——学习到的图恢复了与金融中已知因果模式一致的关联，而无需对边进行监督；第二，学习到的结构跨时段迁移——截至2018年数据训练得到的边，在2020年和2023年的持有级联上仍保持有意义的预测价值，但需注意SVB型快速级联比慢速发展阶段更难预测；第三，框架支持可解释的反事实级联模拟，通过三个案例研究进行了说明。研究人员已坦诚说明框架的能所与不能：它学习因果-时间规律性，而非反事实因果效应；它继承上游阶段的提取误差；它未单独识别内生性市场动态。该框架最适合作为结构化、可解释的支架，供分析师驱动地调查传染机制，而非黑箱预测器。三个自然扩展方向是：与市场微观结构结构模型耦合以单独识别内生机制贡献；开发在线变体以应对实时部署中的制度变化；利用干预数据验证（如监管预公告泄露或自然实验）以加强学习边的因果解释。
