FinInvest-GTCN: 面向风险感知投资决策优化的可解释图-时序-因果建模

# FinInvest-GTCN: 面向风险感知投资决策优化的可解释图-时序-因果建模
来源：https://arxiv.org/html/2606.28933

Junyan Tan  
计算机科学与技术学院，浙江大学

&Yifan Li  
计算机科学与技术学院，浙江大学

Minghao Wang  
计算机科学与技术学院，浙江大学

&Zihan Chen  
计算机科学与技术学院，浙江大学

&Haoyu Zhang  
计算机科学与技术学院，浙江大学

###### 摘要

风险投资（VC）决策面临独特挑战，例如多源异构数据、非平稳时间序列，以及在高风险、低数据场景下对可解释预测的需求。为解决这些问题，我们提出了 FinInvest-GTCN，一种图-时序-因果网络，它将任务从内容推荐重新定义为量化风险收益评估。该架构结合了关系图编码器（用于捕捉投资生态系统的拓扑结构 arxiv-2511.17989;arxiv-2511.22078）、多尺度时序融合模块（用于处理长期依赖和非平稳性 Oganesian et al. (2025); Chen et al. (2025d)）以及因果决策头（用于生成经风险调整的预测，并提供可解释的因果归因 Mahadevan (2025); Parafita et al. (2025)）。核心创新在于元因果适应（MCA）策略，该策略通过将更新对齐到元预训练期间学到的因果合理结构，从而实现在新数据稀缺领域的鲁棒微调。在专有风险投资数据集上的全面实验表明，FinInvest-GTCN 取得了最先进的结果，将主要指标——风险调整均方误差（RA-MSE）从基线值 3.05 显著降低至 2.51，并将模拟投资组合的累计收益提升了 18.7%。消融研究强调了每个组件的关键作用，而额外的分析则证实了模型的稳定性、可解释性和更强的适应性。这项工作开创了一种数据驱动、可解释的投资决策支持框架。

## 1 引言

金融投资决策，尤其是在风险投资领域，构成一个高风险序列预测问题，其特点是多源异构数据和复杂的资产间关系 Akinfaderin and Subramanian (2025); Li et al. (2025a); Yin et al. (2025)。从业者必须分析包含财务指标、团队动态和市场信号的时间序列数据，同时考虑更广泛的生态系统拓扑结构——包括竞争重叠和共享投资者网络——以预测潜在资产的经风险调整收益。尽管历史数据丰富，但准确建模这些序列、关系和非平稳模式以支持稳健且可解释的决策，仍然是一个艰巨挑战 Zhang et al. (2025b, e, c, d, a); Mo et al. (2026); Yu et al. (2026); Zhang et al. (2026b)。先前在序列推荐和金融建模方面的工作在应用于该领域时表现出关键局限性。传统的基于树的方法严重依赖人工特征工程，这劳动密集且无法捕捉动态时序依赖 Wang et al. (2025b); Kemper and Rostam-Afschar (2025); Hsieh et al. (2024)。标准的神经序列模型，如 LSTM 或 Transformer，处理观测历史但忽略了资产间丰富的关联结构 Choi et al. (2025); Zeng et al. (2025); Ren et al. (2025); Peng et al. (2025); Chen et al. (2025a); You et al. (2026); Chen et al. (2025c); Zhang et al. (2026a); Zhao et al. (2026); Huang et al. (2026); Chen et al. (2025b)。此外，现有方法通常优化简单的目标，如点击率或转化率，这与最大化经风险调整收益的投资目标根本不一致。这些方法也通常缺乏可解释性机制，并且难以适应数据稀缺的新领域，从而阻碍了在不断变化的市场中的实际部署。

参见图注
图 1：从传统投资决策方法到所提出的 FinInvest-GTCN 框架的范式转变。左：现有方法存在碎片化问题——人工特征工程、忽视关系上下文的孤立时序建模以及缺乏可解释性。右：我们的统一框架集成了基于图的生态系统拓扑建模、多尺度时序融合和因果归因，并通过元因果适应（MCA）实现鲁棒微调，直接与最大化经风险调整收益的目标对齐。

为弥补这些空白，我们提出了 FinInvest-GTCN，一个新颖的图-时序-因果网络，用于量化投资决策优化。我们的框架引入了三个关键创新：（1）关系图编码器，通过图注意力网络捕捉投资生态系统的拓扑结构；（2）多尺度时序融合模块，利用并行 Transformer 学习不同时间跨度的模式；（3）因果决策头，预测经风险调整收益，同时实现近似因果归因以进行模型解释。此外，我们引入了一种元因果适应（MCA）策略，该策略将微调正则化到因果合理结构，从而增强低数据场景的鲁棒性。总的来说，这些贡献提供了一种有原则的端到端解决方案，超越了传统的推荐范式，直接应对投资分析的核心挑战。在专有和模拟风险投资数据集上的大量实验证明了我们方法的有效性。FinInvest-GTCN 实现了最先进的经风险调整均方误差（RA-MSE）2.51，显著优于包括改造后的序列推荐器和金融因子模型在内的强基线。消融研究证实了每个架构组件的重要性，我们的 MCA 策略在数据稀缺的新领域相比标准微调将 RA-MSE 降低了 16%。在模拟在线 A/B 测试中，使用我们模型排序构建的投资组合实现了 18.7% 的累计收益且波动率更低，突显了其在真实部署中的实用性。本文其余部分组织如下。第 2 节回顾相关工作。第 3 节详细介绍 FinInvest-GTCN 架构。第 4 节介绍实验设置和结果。第 5 节提供全面的消融研究。第 6 节提供补充实验，第 7 节总结全文。

## 2 相关工作

我们的工作处于三个主要研究领域的交叉点：基于图的金融建模、用于投资分析的时序序列学习以及用于可解释预测的因果推断。我们对每个领域进行回顾并相应定位我们的贡献。

### 2.1 图神经网络在金融中的应用

图神经网络已成为建模金融数据中关系结构的强大工具 Ma et al. (2025); Lee et al. (2025); Xu et al. (2025); Ye et al. (2025); Hu et al. (2025)。早期应用通过基于行业板块或相关性矩阵构建图，专注于股票市场预测。最近的工作将 GNN 扩展到建模复杂的公司间关系，包括供应链、竞争动态和共享投资者网络 Li and Fan (2025); Kim et al. (2025); Kempinski and Kachman (2025); Duan and Ji (2025); Ashrafi and Kabir (2025)。图注意力网络（GAT）通过学习捕捉不同关系强度的自适应边权重，已被证明特别有效 Shit and Subudhi (2025); Zhang et al. (2025f); Wang et al. (2025c); Liu et al. (2025c)。然而，现有方法主要针对公开股票市场和短期价格预测 Perekhodko and Ślepaczuk (2025); Beniwal (2025); Chiu et al. (2025)，而风险投资领域——以稀疏、不规则观测和更长的投资周期为特征——在很大程度上未被探索。

### 2.2 金融时间序列的时序建模

序列建模长期以来一直是金融预测的核心。传统方法依赖自回归模型和手工制作的技术指标。深度学习的出现引入了 LSTM 和 GRU 架构，能够捕捉价格序列中的长期依赖 Chirukiri et al. (2025); Perekhodko and Ślepaczuk (2025)。最近，基于 Transformer 的模型通过利用自注意力机制建模复杂时序模式，展现出优越性能 Chen et al. (2025d); Chapariniya et al. (2025); Kiu et al. (2025); Yao et al. (2025); Wang et al. (2025a)。多尺度时序建模同时以不同粒度处理时间序列，在捕捉短期波动和长期趋势方面显示出前景 Feng and Xue (2025); Ding et al. (2025b); Oganesian et al. (2025)。尽管有这些进展，大多数方法专注于单一资产预测，并且没有整合风险投资分析所必需的关系上下文，而在风险投资中，资产的前景高度依赖于其在生态系统中的位置 Alduais et al. (2025); Yin et al. (2025)。

### 2.3 因果推断与机器学习可解释性

随着机器学习模型越来越多地部署在高风险金融决策中，对可解释性的需求愈发强烈。事后解释方法如 SHAP 和 LIME 提供特征归因但缺乏因果基础 Parafita et al. (2025); Zhang and Cai (2025)。因果推断框架通过干预推理提供了理解模型行为的有原则方法 Akbar et al. (2025); Kubota and Sugasawa (2025); Compton et al. (2025); Byambadalai et al. (2025); Jin et al. (2025)。最近的工作探索了将因果结构整合到神经网络中以提高鲁棒性和可解释性 Liu et al. (2025b); Mahadevan (2025); Liu et al. (2025a)。在投资领域，可解释性对于监管合规和建立投资者信任尤为关键。然而，现有金融模型很少纳入因果推理，并且为复杂图-时序架构生成因果风格解释的方法仍不成熟。

### 2.4 金融中的迁移学习与领域自适应

将预训练模型适应到数据有限的新领域是一个持续挑战。元学习方法学习了从任务分布中学习，已在少样本场景中取得成功 Guan et al. (2025); Jiang et al. (2025); Yun et al. (2025); Hong et al. (2025)。在金融领域，迁移学习已被应用于跨市场或资产类别适应模型 Vu et al. (2025); Li et al. (2025c)，但标准微调在目标领域数据稀缺时往往导致过拟合。参数高效微调方法如 LoRA 降低了这一风险，但没有明确保留领域不变结构 Jeon et al. (2025a, b); Ding et al. (2025a)。我们的元因果适应策略通过将适应过程正则化到预训练期间学到的因果合理结构，弥补了这一空白。

总之，尽管在基于图的建模、时序序列学习和因果推断方面分别取得了显著进展，但尚没有现有框架将这些能力整合起来用于风险投资决策优化。我们的工作通过提出 FinInvest-GTCN 来弥补这一空白，该框架在统一架构中协同结合了关系图编码、多尺度时序融合和因果归因，专为风险感知、可解释的投资分析而设计。

## 3 方法论

我们提出了 FinInvest-GTCN，一种新颖的图-时序-因果网络，专为稳健的风险投资决策优化而设计。我们的方法从根本上将任务从内容推荐重新定义为量化投资分析，系统性地应对多源异构数据带来的挑战。