通过多尺度对比学习量化事件对时间序列的影响

# 通过多尺度对比学习量化事件对时间序列的影响
来源：https://arxiv.org/html/2608.19447
## 通过多尺度对比学习量化事件对时间序列的影响
会议：第35届ACM国际信息与知识管理会议（CIKM '26）论文集；2026年11月7日–11日；意大利罗马
DOI：10.1145/3799682.3840920 (https://doi.org/10.1145/3799682.3840920)
ISBN：979-8-4007-2539-5/2026/11
CCS：计算方法 机器学习
CCS：信息系统 数据挖掘

**作者：**
Yiming Sun, Shengyu Chen (单位：NEC Laboratories America, Princeton, NJ, USA; 邮箱：[[email protected]](mailto:[email protected])),
Zhengzhang Chen (单位：NEC Laboratories America, Princeton, NJ, USA; 邮箱：[[email protected]](mailto:[email protected])),
Haoyu Wang (单位：NEC Laboratories America, Princeton, NJ, USA; 邮箱：[[email protected]](mailto:[email protected])),
Xiaowei Jia (单位：Rutgers University, New Brunswick, NJ, USA; 邮箱：[[email protected]](mailto:[email protected]))
与
Haifeng Chen (单位：NEC Laboratories America, Princeton, NJ, USA; 邮箱：[[email protected]](mailto:[email protected]))

2026; © cc

###### 摘要

在网络中传播的冲击，例如网络安全漏洞披露，可能会突然扰乱金融时间序列并导致大量异常损失。虽然这些事件通过新闻报道、监管文件或公共数据库被披露为离散记录，但其后果是通过持续的市场动态展开的。这就产生了一个事件条件影响预测问题：给定事件发生前的市场历史和有限的事件元数据，目标是估算披露后的短期异常损失，而不是重建完整的事件后轨迹。然而，大多数时间序列预测模型专注于内生规律性，如趋势、季节性和自相关，因此难以处理罕见且异构的外部事件。高影响事件的稀疏性和背景市场噪声进一步放大了这一挑战。我们引入了EventTime，这是一个多分辨率框架，它结合了长期市场背景、短期事件前动态和事件元数据。它包含一个事件融合模块，将时间表示与事件属性耦合，以识别相关的近期市场模式。为缓解监督稀疏性问题，EventTime进一步引入了一个动态对比目标，在训练期间构建感知事件和时间序列的正负样本对。我们还构建了SECURE数据集，这是一个将网络安全事件与股票市场时间序列以及结构化和LLM生成的语义特征对齐的真实世界数据集。实验表明，EventTime在估算事件后金融损失方面持续优于最先进的时间序列和事件感知基线。进一步的分析表明，其具有更事件敏感的表示、对不完整元数据更强的鲁棒性，以及在网络安全披露后对短期市场影响更具可解释性的估算。

###### 关键词：
事件条件预测，时间序列，对比学习，网络安全，金融建模

††cc-许可:by
## 1. 引言

网络安全事件已成为网络级外部冲击的一个突出类别。它们通常通过新闻门户、监管文件、公共漏洞数据库和社交媒体被披露和传播，其中单一报告可以迅速重塑投资者对一家公司的看法。与通过趋势、周期和短期自相关逐渐演变的内生市场波动不同，此类披露是以离散且不规则事件的形式到达，但其后果通过连续的金融时间序列展开。这种离散网络事件与连续市场动态之间的相互作用提出了一个重要问题：我们如何在事件披露前观察到的市场背景下，估算事件发生后的短期异常市场反应？

这个问题具有重要的实际意义，因为网络安全事件可能引发股价的剧烈波动和经济损失。实证研究表明，重大漏洞可能在几天内蒸发数十亿美元的市值，侵蚀消费者信心，并抑制数周的交易活动。在宏观经济层面，据估计网络犯罪每年造成的全球损失高达数万亿美元（20 (https://arxiv.org/html/2608.19447#bib.bib13); 9 (https://arxiv.org/html/2608.19447#bib.bib4)）。对于投资者、公司和监管机构而言，关键关注点通常不是受披露后许多混淆因素影响的整个事件后价格轨迹，而是与事件相关的异常损失规模。准确估算这种影响对于网络风险评估、投资组合保护以及理解在线安全事件如何在金融市场中传播至关重要。

（参见图注）**图 1.** 网络安全事件引发的股市冲击：Facebook 2018年数据泄露事件。
图1 (https://arxiv.org/html/2608.19447#S1.F1) 使用2018年3月Facebook–Cambridge Analytica披露事件展示了这一视角。披露后，Facebook股价在几天内从大约185美元急剧下跌至152美元，反映了市场对该网络安全相关事件的即时反应（11 (https://arxiv.org/html/2608.19447#bib.bib12)）。这样的例子突显了为什么需要事件感知建模：仅依赖内生时间模式的预测系统可能会低估冲击期间的异常损失，而忽略事件背景的模型无法区分事件驱动的反应与常规市场波动。未能量化这些影响可能导致风险定价错误、投资组合保护不足，以及监管机构对冲击如何在公司和行业间传播的洞察有限（26 (https://arxiv.org/html/2608.19447#bib.bib9)）。因此，对罕见但影响重大的网络安全披露事件进行建模，是迈向更具韧性和适应性的金融决策的关键一步。

尽管时间序列预测取得了快速进展，但大多数现有模型主要旨在捕捉内生时间规律性，如长期趋势、季节性周期和短期自相关（14 (https://arxiv.org/html/2608.19447#bib.bib6); 31 (https://arxiv.org/html/2608.19447#bib.bib5); 12 (https://arxiv.org/html/2608.19447#bib.bib10)）。离散的外部事件，如网络安全披露，通常代表性不足，或者仅作为辅助协变量通过简单的连接或指示符特征被纳入。这种处理方式对于事件条件影响预测是不够的，因为其目标不是外推平滑的未来轨迹，而是估算一个罕见事件如何与事件前的市场状态相互作用并引发异常损失。特别是，现有模型通常未能捕捉历史动态的哪些方面使公司在披露面前更脆弱，事件元数据应如何与时间表示对齐，以及如何从稀疏观测中学习稳健的事件感知模式。因此，我们确定了建模离散事件对连续金融信号影响的三个关键挑战：

- • **多分辨率市场背景**：事件前的金融动态跨越多个时间尺度，包括长期估值趋势、中期市场状态和短期波动。这些尺度共同塑造了市场对网络安全披露的反应，要求模型能够捕捉多分辨率背景以进行异常影响估算。
- • **事件–时间整合**：网络安全事件涉及异构的非时间元数据，如漏洞类型、影响范围、严重性和数据敏感性。其金融后果取决于与市场状态的相互作用，而简单的特征连接无法明确捕捉。
- • **稀疏事件监督**：高影响的网络安全披露事件稀少且多样，产生的标注数据有限。标准回归可能会过拟合背景市场模式并低估事件语义，这促使需要训练策略来放大事件相关信号，并分离相似与不相似的事件–市场背景。

为解决这些挑战，我们提出了EventTime，一个用于事件条件金融影响预测的统一框架。EventTime以多个时间分辨率对事件前动态进行建模，以捕捉长期市场背景和短期波动。一个基于注意力的融合机制将结构化的事件元数据与时间信号对齐，以识别与事件最相关的近期模式。为解决由罕见和异构事件引起的稀疏监督问题，EventTime进一步使用动态对比学习，通过对比相似和不相似的事件–市场背景来加强事件相关的表示。这些组件共同改进了短期异常损失的估算，优于主要依赖内生时间模式的传统预测模型。

我们在一个真实世界数据集上评估了EventTime，该数据集将公开披露的网络安全事件与美国股票市场数据关联起来。这一设置为事件条件影响预测提供了一个具有挑战性的测试平台：网络安全披露稀少且异构，但它们能在短反应窗口内引发不成比例的异常损失。实验结果表明，在估算事件后金融损失方面，EventTime持续优于强大的基线，包括最先进的时间序列预测模型和事件增强变体。为了检验我们框架的更广泛适用性，我们进一步在水文事件影响预测任务上评估了EventTime，其中使用极端降雨事件来预测随后的河流流量响应。这项跨领域的研究表明，相同的事件条件建模原理也可以捕捉环境系统中的自然冲击，强调了我们方法的通用性。

总之，本文做出了以下贡献：

- • 我们将网络安全事件影响预测表述为一个事件条件的时间序列任务，其目标是从事件前市场动态和事件元数据中估算短期异常金融损失，而不是重建完整的事件后轨迹。
- • 我们提出了EventTime，它结合了事件前市场信号的多分辨率编码、异构事件元数据的基于注意力的融合，以及在稀疏监督下加强罕见事件信号的动态对比学习。
- • 我们开发了一个新颖的数据集SECURE，通过整合来自Yahoo Finance 111https://github.com/ranaroussi/yfinance的股票级金融时间序列与来自隐私权信息交换所（PRC）（24 (https://arxiv.org/html/2608.19447#bib.bib1)）的网络安全事件记录，使系统研究已披露的安全事件如何影响短期市场损失成为可能。
- • 我们通过经验表明，EventTime在SECURE数据集上持续优于具有竞争力的时间序列和事件感知基线。在金融领域之外，我们进一步在水文事件影响预测基准上验证了我们的方法，说明了其建模多样化事件驱动响应的潜力。

（参见图注）**图 2.** EventTime的整体框架。
## 2. 问题定义

我们将问题表述为*事件条件影响预测*。给定一个离散外部事件发生前的历史时间序列片段以及描述该事件的元数据，目标是估算一个标量的事件后影响得分。这种表述不同于传统的多步预测，后者预测完整的未来轨迹。在我们的设置中，事件后轨迹既包含事件诱导的反应，也包含无关的市场变动，例如全市场波动、行业趋势和后续新闻。因此，直接预测每个未来时间步可能会掩盖事件的特定效应。相反，我们专注于估算一个紧凑的影响标签，以总结与事件相关的短期异常响应。

设 $X=\{x_1,x_2,...,x_T\}$ 表示事件前的经济时间序列，其中每个观测值 $x_t \in \mathbb{R}$ 代表时刻 $t$ 的金融指标，如超额收益。每个序列片段围绕一个离散的外部事件构建，最后一个观测时间步 $T$ 与事件发生或披露日期对齐。该事件由一个元数据向量 $e_T \in \mathbb{R}^{k}$ 表征，该向量包括事件类型、影响范围、事件严重性和数据敏感性等属性。

我们并不假设事件前序列具有单一的特征频率，而是考虑 $X$ 包含跨越多个时间尺度的动态。因此，我们定义了一组特定尺度的变换 $\{f^{(1)},f^{(2)},...,f^{(M)}\}$，其中每个 $f^{(m)}$ 以不同的粒度提取 $X$ 的模式，例如长期趋势、中期状态或短期波动。这产生了一组多尺度表示：

$\mathcal{X}=\{X^{(m)}=f^{(m)}(X) \mid m=1,...,M\}$，

其中每个 $X^{(m)}$ 代表同一事件前序列的不同时间分辨率。

预测目标是一个标量结果 $y \in \mathbb{R}$，它总结了事件披露后的短期异常响应。$y$ 的精确定义可能因领域而异。在我们的金融设置中，$y$ 被实例化为事件后短窗口内的最大超额收益下降，以捕捉披露后最差的异常损失，同时过滤掉全市场和行业范围的变动。形式上，目标是学习一个函数

$\hat{y}=f_{\theta}(\mathcal{X},e_{T})$，

其中 $f_{\theta}$ 将事件前多尺度时间序列动态和事件元数据映射到预测的影响得分。

## 3. 方法论

我们介绍EventTime，一个用于事件条件金融影响预测的统一框架。给定一段在已披露的网络安全事件之前的市场历史，以及描述该事件的结构化和非结构化元数据，EventTime估算该事件的短期异常金融影响。该框架围绕三个核心组件构建：(i) 一个*多分辨率时间序列编码器*，用于捕捉跨越多个时间尺度的事件前市场背景；(ii) 一个*事件–特征融合模块*，用于将异构事件元数据与时间表示对齐；以及 (iii) 一个*动态对比学习策略*，用于在稀疏监督下加强罕见事件信号。架构概览见图2 (https://arxiv.org/html/2608.19447#S1.F2)。

### 3.1 模型结构

#### 3.1.1 多分辨率时间序列编码器

事件前的金融动态包含多个时间尺度的信息。长期模式反映了披露前更广泛的市场状况和公司层面轨迹，而较短的周期则捕捉了近期的波动、动量和局部不稳定性。这些信号共同塑造了市场对网络安全事件的反应：同一披露事件可能引发不同的损失，具体取决于公司当时处于稳定、波动、下跌还是复苏状态。因此，建模这些多尺度动态为估算事件可归因影响提供了背景信息。

为捕捉这种结构，EventTime采用了一个多分辨率长期编码器。