• 研究背景与问题描述 [page::0][page::1]：

- 传统基于预定义关系构建的静态金融关系图难以反映股票关系的动态变化。
- 存在缺乏新闻等可捕捉公司动态关系的动态数据集问题。
- 关系图评估多依赖下游任务表现，导致评价及其适用性不明确。

• 新贡献与数据集 [page::0][page::1][page::5]：

- 发布了基于S&P500股票的SPNews新闻数据集，新闻均带时间戳及公司标签，支持动态关系图构建。
- 提出FRI（Financial Relationship-graph Interpretation）框架，设计4个独立于下游任务的指标评估金融关系图。

• 图构建方法 [page::1]：

- 关系图$\mathcal{G}t$基于同一天新闻中两公司共现次数构建边，边权归一化，阈值控制边的建立。
- 与传统基于历史收益相关系数构建的动态图和静态图形成对比。

• 评估指标详解 [page::2][page::3][page::4]：

1. 回报相关稳定性（CSS）：比较边连接节点与非连接节点收益率相关变化幅度差异，检验关系边的有效性。
2. 事件捕捉率（AECR）：动态关系边对应的事件期间是否体现显著相关性变化。
3. 边因子模型解释力：基于改良Fama-French模型的$HMLR$因子，分组回归验证边密度对收益相关性的解释能力。

4. 波动率相关解释力：运用DCC-GARCH模型，考察图边分组对市场波动的解释能力，通过$\Delta_{DCC}$量化差异。

• 实验设计与对比方法 [page::6]：

- 对比5类关系图：静态图、基于相关性的动态图、基于SPNews不同阈值动态图。
- 下游任务为股票走势三分类，采用GAT+LSTM模型保持结构一致。

• 实验结果总结 [page::6][page::7]：

| 图类型 | CSS | AECR | β | ΔDCC | ACC | Macro F1 |
|--------------------------|-------|-------|------|--------|-------|----------|
| Static Graph | 0.383 | 0.078 | 0 | 0 | 0.345 | 0.241 |
| Dynamic Graph Corr | 0.411 | 0.359 | 0.026| -0.031 | 0.347 | 0.244 |
| Dynamic Graph SPNews (τ=0) | 0.476 | 0.616 | 0.071| 0.429 | 0.393 | 0.264 |
| Dynamic Graph SPNews (τ=1) | 0.448 | 0.563 | 0.049| 0.148 | 0.459 | 0.298 |
| Dynamic Graph SPNews (τ=2) | 0.429 | 0.522 | 0.060| -0.350 | 0.401 | 0.267 |

- SPNews构建的动态关系图整体优于静态图及基于相关性的动态图。
- FRI框架指标趋势与下游任务表现正相关，证明FRI可作为下游任务前的图评估工具。
- 回报相关稳定性、事件捕捉率尤为突出，表明基于新闻共现能更好捕捉真实公司关系变化。

• 案例分析与局限性 [page::7]：

- 以Apple和JP Morgan为例，展示SPNews关系图能捕捉大幅波动期及对应新闻事件。
- 方法目前不适用于静态图边权评价，也无法对加权边的数值质量进行判断。

深度解构分析报告：Evaluating Financial Relational Graphs: Interpretation Before Prediction

---

一、元数据与报告概览

标题：Evaluating Financial Relational Graphs: Interpretation Before Prediction
作者及机构：Yingjie Niu 等五位作者，均来自爱尔兰都柏林大学（University College Dublin），分别隶属计算机科学学院和Michael Smurfit商学院。
联系方式：每位作者附有学校邮箱。
主要议题：股票趋势预测中的金融关系图的构建与评估，聚焦基于图神经网络（GNN）的动态关系图构造及其在解释金融现象前的质量验证。
发布日期：无具体发布日期，基于现有数据推测为2023-2024年间。

核心论点与目标

• 核心问题：传统基于图神经网络的股票预测方法依赖静态、预定义的股票关系图，缺乏对股票关系动态变化的捕捉，且评估方法与下游模型性能紧密耦合，存在误导与泛化问题。

- 贡献点：
1. 发布基于标普500股票的金融新闻数据集SPNews，用于动态关系图构建；
2. 提出独立于下游任务的金融关系图评估框架（FRI框架），通过对图用于解释历史金融事件的能力进行验证，从而在预测前确认关系图的有效性和解释力；
3. 公开源码促进领域复现与研究。

• 目的：解耦关系图评估与下游预测任务，促使关系图评估更具解释性和泛化性，提高金融关系图构建质量。

整体立场强调：“解释优先于预测”——即优先验证关系图是否真正反映金融公司间的关系，再将其用于下游图神经网络任务。[page::0,1]

---

二、逐节深度解读

2.1 报告导论 (Introduction)[page::0]

• 说明股票价格受多因素影响，不仅受自身动量，还受到相关公司的动量溢出效应影响（关联公司间价格互影响）。

- 图神经网络（GNN）利用公司关系图建模这种溢出效应，但多基于静态的预定义关系图，忽略了关系的时间动态性，存在关系过时的问题。

• 近期部分研究尝试基于历史市场信号（例如收益率相关）构建动态图，但未充分利用新闻等高频且多样的替代数据。新闻具有天然时间戳、动态更新快，可用来构造基于文本共现的动态关系图。

- 现有评估手段通常通过下游模型性能间接评价关系图好坏，这种方法掩盖了图本身的不足且泛化性差，选图与模型训练任务耦合过紧。

• 该报告提出独立于模型和下游任务的评估框架，强调图本身的解释和评价的重要性，方便判别真实金融关系的稳定性和捕捉能力。

2.2 相关工作 (Related Work)[page::1]

• 传统时间序列模型（如ARIMA）和深度学习（LSTM）长期用于股票预测，结合新闻、社交媒体等替代数据显著提升性能。

- 图学习与图神经网络（如图注意力网络GAT）逐步被用来整合资产间关系，模拟动量溢出。

• 目前主流方法多构造静态预定义图，少有动态图构建尝试，且评估多依赖下游任务性能，没有独立评估体系。

- 本报告针对该缺口，提出了可解释的独立评估框架。

2.3 问题定义与图构造 (Problem Definition and Graph Construction)[page::1]

• 关系图集合$\mathcal{G}=\{G0,...,GT\}$为时间序列上的动态图集，其中$Gt=(V,Et)$为时刻$t$的关系图；节点集合$V$表示公司，固定不变；

- 边$Et(A,B)=(\mut(A,B), \nut(A,B))$其中$\mut$为布尔值，表示$A$和$ B$在$t$是否存在边，依据新闻共现次数$k$与阈值$\tau$决定；$\nut$为边强度，是共现次数归一化值；

• 这种基于新闻共现的动态图更能捕捉关系时间变化。

2.4 财经关系图评估方法 (Graph Evaluation Methods) [page::2~4]

报告提出的金融关系图解释框架 Financial Relationship-graph Interpretation (FRI) 框架，包括四个指标，分别从横向（同一时间点图内节点关系）和纵向（时间序列中的关系演变）两维度评估图集质量。

1. 收益率相关稳定性（Return Correlation Stability, CSS & CSS Score CSS）

- 利用滚动窗口历史股票收益率相关系数$\sigma{t}^{t+\epsilon}(A,B)$，检验边建立前后相关性变化$\deltat(A,B)$；
- 假设：存在边的节点对相关变化幅度应该大于无边节点对；
- 通过假设检验${\bf H0}$，得出每时刻图的稳定性得分$CS{Gt}$，平均得分为CSS；

1. 事件捕捉能力（Event Detection, AECR）

- 定义事件期为连续多天公司对新闻共现期；
- 通过相关系数在事件期与全周期的最大波动$\Delta{Te}(A,B)/\DeltaT(A,B)$反映事件影响；
- 事件捕捉率$EC{(A,B),Te}$ = 1代表事件期显著影响关系；
- 平均事件捕捉率AECR作为指标反映整个图集对现实事件影响的捕捉能力；

1. 边因素模型：解释收益率相关（Edge Factor Model: Explain Return Correlation）

- 类比Fama-French三因子模型，构建关系因子$HMLR$表示公司对内边数密度与其相关性强弱的对应关系；
- 通过对不同边密度组回归得出回归系数$\beta$，$\beta$的平均差$\Delta\beta$量化图的解释能力，数值越大表明图越能解释公司间收益相关；

1. 边因素模型：解释波动率相关（Explain Volatility Correlation）

- 引入DCC-GARCH模型建模公司间波动率相关，计算不同边密度组的模型系数$\alpha, \beta$；
- 通过系数组合$\Delta{DCC} = (\alpha{high} - \alpha{low}) + (\beta{low} - \beta{high})$反映图对波动率相关异质性的识别能力；
- $\Delta{DCC}$越大说明图越有辨别力；

以上指标构筑了综合、解释性强的关系图评价体系，注重图对金融行为的实际解释能力，非仅依赖模型下游预测性能。[page::2,3,4]

2.5 数据集发布（SPNews）与优势[page::4,5]

• SPNews数据集包含2022年9月至2023年10月期间基于标普500指数的新闻数据，431只股票，标注了发布时间和涉及股票，数据质量高；

- 对比现有开源数据集（Reuters & Bloomberg 2014、Reuters 2018、Reuters 2021），SPNews数据集具备：
- 时间戳完整；
- 关联股票标注完全；
- 聚焦标普500成分股定向新闻，减少干扰；

• 该数据支持更高质量的动态关系图构建。

2.6 实验设计（Graph Construction & Downstream Task）[page::5]

• 关系图构建方法：

- StaticGraph（静态）
- DynamicGraphCorr（基于相关系数阈值）
- DynamicGraphSPNews（基于SPNews，共现阈值$\tau=0,1,2$的三版本）

• 下游任务为股票趋势三分类（positive, neutral, negative），依据次日股票收益率与其历史标准差的比较定义标签；

- 模型选用GAT结合LSTM编码节点历史信息，保证实验的可比性与稳定性；

• 损失函数为交叉熵，优化器Adam。

2.7 实验结果及分析[page::6,7]

关系图评估结果（表3）

| 图类型 | CSS | AECR | β | ΔDCC |
| --- | --- | --- | --- | --- |
| StaticGraph | 0.383 | 0.078 | 0 | 0 |
| DynamicGraphCorr | 0.411 | 0.359 | 0.026 | -0.031 |
| DynamicGraphSPNews$\tau=0$ | 0.476 | 0.616 | 0.071 | 0.429 |
| DynamicGraphSPNews$\tau=1$ | 0.448 | 0.563 | 0.049 | 0.148 |
| DynamicGraphSPNews$\tau=2$ | 0.429 | 0.522 | 0.060 | -0.350 |

• 动态图整体优于静态图，说明动态构建能更好捕获金融现实变化。

- SPNews 基于新闻的动态图指标均优于基于相关系数的动态图，表明新闻信息对捕捉企业关系更新更有效；

• $\tau=0$（新闻共现至少一次）版本表现最佳，表明较宽松的共现阈值更有利于捕获相关性。

下游任务模型表现（表4）

| 图类型 | ACC | Macro F1 |
| --- | --- | --- |
| StaticGraph | 0.345 | 0.241 |
| DynamicGraphCorr | 0.347 | 0.244 |
| DynamicGraphSPNews$\tau=0$ | 0.393 | 0.264 |
| DynamicGraphSPNews$\tau=1$ | 0.459 | 0.298 |
| DynamicGraphSPNews$\tau=2$ | 0.401 | 0.267 |

• 下游任务结果与FRI指标趋势大致一致，动态图好于静态，且SPNews动态图表现突出；

- FRI框架指标与下游模型性能排序相关性高，但不完全一致，强调FRI适合作为下游模型前的高效评估工具，辅助决策。

案例分析 (Apple & JP Morgan)[page::7]

• 通过21天滚动相关系数与边存在情况散点图，验证新闻共现的事件期与相关系数剧烈变化区间高度重合。

- 具体新闻解释相关性波动，如2023年3-5月股价相关度下降期间，存在标注新闻能解释此现象。

局限性

• FRI目前不适用静态图中某些指标（波动相关、回归系数）；

- 评估仅针对边的存在与整体模式，不能评价边权重的质量；

• 未来工作方向包括丰富动态图指标，评价边权重等。

---

三、图表深度解读

Figure 1 (page 3)动态关系图构造与评价流程示意图

• (a) 展示时间轴维度上公司关系图的演变，图序列展现边的增删变动过程；

- (b) 关系因子构建步骤：对随机采样节点对分组，根据边数划分高/中/低关系组，计算滚动相关系数，求平均得到组时序相关度曲线$h,m,l$，即$HMLR$因子；

• (c) 关系因子测试过程：从未用对节点对样本中分组，进行回归，得到一组系数$\beta$，用于反映边密度对相关性的解释能力。

该图直观表达了以时间为维度构造动态图，并基于边的密度构造解释因子的流程，体现研究的系统性和指标设计的逻辑。[page::3]

---

表1、表2（page 1、5）

• 表1 列出重要数学符号，便于理解之后的图构造和指标定义，如$Gt$表示时间点$t$的关系图，$V^m$和$V^n$分代表有边和无边的节点集合，边属性$\nu$为关系强度等；

- 表2 对比SPNews与现有金融新闻数据集，突出SPNews数据集的时间覆盖（2022-2023），标普500定向，带时间戳且股票标签完整，数据质量和研究适用性均领先。

---

表3、表4（page 6）

• 表3为FRI框架评估结果（CSS、AECR、β、ΔDCC），数值差异体现不同图构建对真实金融关系捕捉能力的影不；

- 表4为基于不同图的GAT模型预测结果，准确率与宏平均F1，反映图质量对下游任务性能影响；

• 两表结果高度吻合，验证了FRI作为独立于下游任务的评价框架的有效性。

---

Figure 2 (page 7)

• 展示苹果与摩根大通两公司间21天滚动收益率相关性变化（折线图）及其在SPNews图中边的存在情况（散点图1/0）；

- 清晰标示了新闻共现期与相关性显著变化的对应关系，验证了关系图边构建方法的合理性和动态捕捉能力；

• 例示新闻文本对特定时间段相关性变化的解释，提升了FRI框架评估的解释力。

---

四、估值与方法论分析

本报告没有传统意义上的估值分析，而是重点构建并验证了金融关系图构造和评价框架。基于财务市场关系的图结构建模挑战，与估值模型（如DCF、市盈率等）无直接关联。

其核心方法论创新在于：

• 将股票关系图构造为时间序列动态图，边存在由新闻共现决定，为市场关系建模注入高频事件与信息流；

- FRI框架融合多维度统计指标（相关性变化、事件捕捉、回归解释、波动率建模），形成独立于下游任务的评价体系；

• 采用现代统计模型（回归分析、DCC-GARCH）严谨量化图的解释力与波动反映能力。

这跨越了传统简单以预测准确率判别图优劣的窠臼，强调图作为金融信息载体的解释价值。

---

五、风险因素与潜在限制评价

报告自识局限：

• FRI框架指标在静态图中不适用，限制了该类型图的评判维度；

- 无法评价边权重的质量，仅针对边存在性及其时间演化的结构性质；

• 样本局限于标普500股票，且新闻仅采集自Yahoo Finance，可能限制数据多样性或覆盖时效性；

- 模型和指标受限于回归及波动率模型假设，金融市场复杂性可能导致部分真实关系未被捕获。

此外，报告虽强调解释优先，但并未深入探讨图构造中新闻文本误标、关系稀疏性、噪音影响等可能带来的风险。

---

六、批判性视角与细微差别

• 评价框架独立性优点明确，但也存挑战，因为真正的金融图解释力最终仍需体现在下游的风险预测与投资回报上，纯统计指标尽管解释性强，但经济意义有时不够直观。

- 动态图构造依赖新闻共现次数设定阈值（$\tau$），不同阈值敏感性大，如何适应不同市场环境尚需更多探索；

• SPNews数据时效近，但相对历史长周期数据样本小，短期数据可能导致过拟合时间点特征，影响评估泛化。

- 实验设置保持模型结构与超参数固定，虽然保证了结果对比公平性，但也未探索不同模型架构对图评价的适应性强弱。

• 报告强调将“解释优先于预测”作为核心，但实际操作中解释与预测两者相辅相成，纯解释框架是否能覆盖未来多变市场尚需进一步验证。

---

七、结论性综合

本报告系统提出并验证了面向金融市场的股票关系图的动态构建与独立评价方法。其核心贡献体现在：

• 数据贡献：发布了标普500成分股为基础、带时间戳与股票标注完整的新闻数据集SPNews，填补了动态金融文本数据资源空白。

- 方法贡献：基于新闻共现构造动态关系图，提出FRI框架，综合“横向”节点连接与“纵向”时间演化两个维度，通过统计假设检验、事件检测、回归分析（$HMLR$因子）和波动率动态模型（DCC-GARCH）四个指标赋能关系图解释力与有效性评估。

• 实验验证：动态图优于静态图，SPNews数据构建的动态图优于基于历史收益率相关的动态图；FRI框架评估结果与下游图神经网络（GAT+LSTM）分类任务表现趋势高度一致，验证了评估框架的实用价值及解释力。

- 案例展示：具体分析苹果与摩根大通股票间关系演变与事件捕捉的契合，说明新闻驱动动态图合理反映真实市场动态。

• 局限与未来方向：当前评估不能覆盖静态图权重，且无法细粒度评价边权重，未来可扩展至更多模型和更广泛数据源。

总体判断：本报告突破传统金融图评估仅依赖下游性能的局限，拓展了关系图的解释与独立评估维度，为金融图神经网络研究提供了新的思路和实验资源，具有重要的理论价值和实践引领意义。

---

总结

本文报告通过发布高质量金融新闻数据集SPNews，创新性地将股票关系图构造为基于新闻共现的动态图，并设计了一套融合相关性稳定性、事件捕捉、回归解释和波动率相关的综合评价指标体系（FRI框架），实现了对金融关系图的独立且可解释评估。实验结果强有力证明了构建数据和方法的优势，且评估体系与下游任务结果表现出高度一致性，彰显了其作为辅助模型之前有效筛选及判断图结构质量的工具价值。该工作填补了金融图模型评估方面的研究空白，对推动金融人工智能、图神经网络在实际市场中的应用，提供了系统性且操作性强的理论与数据支持。

---

参考文献溯源

本文中所有结论均基于报告正文内容，所有页码均用[page::x]标识，方便溯源查阅，保证分析完整且可追溯。如需精细查阅具体观点可结合所对应页码快速定位。

---

（全文约4200字，详尽覆盖报告所有章节、数据与图表的解读、方法解析与批判）

报告