企业官网建设流程全解析

machine-learning-for-trading 第 23 章实战：从 SEC 披露构建金融知识图谱、Graph RAG 与时序防泄漏特征工程

【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading

本指南完整讲解开源仓库 machine-learning-for-trading（《Machine Learning for Trading》第 3 版配套代码）中第 23 章"Knowledge Graphs for Financial AI"的技术路线：从向量检索的局限出发，说明何时值得为金融问题引入显式图结构；随后以 10 个 notebook 为主线，深入 LLM 辅助的供应链知识图谱构建、13F 机构持仓属性图、安全 Graph RAG、图衍生 ML 特征、统计金融网络、三时间戳防泄漏框架以及生产级工程决策。读完你将掌握一套"可回放、可审计、防泄漏"的金融知识图谱构建与评估方法论，并能在仓库中直接复现全部流程。

为什么金融问答需要显式图结构

向量检索（第 22 章的 RAG 基础）让基于证据的金融问答成为可能，但它作用于孤立的文本块。依赖所有权链条、供应商网络、风险传染路径或关系变更时点的提问，需要的是可遍历、可审计、可复用的显式结构，而不是文本块之间的模糊相似度匹配。知识图谱以节点表示实体、带类型的边表示关系、属性承载来源与时间信息（provenance），正好补齐了这一层。

仓库 23_knowledge_graphs/README.md 开篇即点出本章的立场：知识图谱的构建应当被当作治理问题（身份 identity、模式 schema、来源 provenance）来对待，而不是为了追求新颖性。全章以 7 个小节推进，对应关系如下：

23.1 先问"这真的是图问题吗"

判断标准很直接：查询是否多跳（multi-hop）、结构是否拥挤（crowded）、关系是否随时间演化（temporally evolving）。表格式数据库的强项是等值连接与聚合；向量检索的强项是语义相似。而"这两家基金共同持有哪些股票""哪家公司同时被多家 S&P 100 公司列为主要供应商""谁通过机构持仓在两只股票之间构成间接通道"这类问题，在表上要做重复自连接（self-join），在图上只是一次两跳遍历。

13F 数据集是天然的二分图：季度披露持仓的机构（institution）连接它们持有的股票（stock）。05_institutional_holdings_kg.py 中共享持仓查询的 Cypher 等价写法如下：

MATCH (a:Institution {name: "..."})-[:HOLDS]->(s:Stock) <-[:HOLDS]-(b:Institution {name: "..."}) RETURN s.label, s.issuer

内存图实现里这一条查询对应两次集合求交inst1_stocks & inst2_stocks。仓库同时给出一个重要提醒：共享持仓只暴露潜在连接，并不等于测量了价格共动——"两个机构是否因共同持股而在抛售时放大价格冲击"是下游 23.4 节特征要检验的假设，notebook 本身不做此推断。

23.2 供应链知识图谱：LLM 提取 + 身份解析 + UNWIND 批量加载

数据准备：SEC 披露语料

01_sp100_sec_download.ipynb 从 SEC EDGAR 加载 S&P 100 公司的 10-K 与 8-K 文件。仓库 02_supply_chain_kg_construction.py 通过data.load_sec_filings("10-K", universe="sp100")读取语料，并断言必需的列（symbol、company_name、form、filing_date、accession_no、year、text、text_length）无缺失、(symbol, accession_no)无重复、text长度与text_length一致。随仓库分发的语料共601 份 10-K 文件，覆盖 101 家公司，2020–2025 年。

有限关系词汇表与提取提示词

模式设计的第一步是限定关系词汇。仓库只允许三种关系：

RELATIONSHIP_TYPES = ["HAS_SUPPLIER", "COMPETES_WITH", "HAS_CUSTOMER"]

提取提示词（EXTRACTION_PROMPT）明确约束了输出格式：JSON 数组、键为subject/predicate/object、主词用全称官方名、宾语用缩写（如TSMC而非全称）、实体名不超过 5 个词、只提取显式陈述的关系。系统提示词 + 用户提示词（截取文件前 6000 字符）经apply_chat_template拼装后批量送入模型。

批量推理管线

核心提取函数extract_relationships_batch把多条文本在一次前向传播中完成生成（padding=True, truncation=True, max_length=4096，max_new_tokens=512，do_sample=False保证确定性），JSON 解析器_parse_json_triples负责剥离多余前导/尾随文本，只保留predicate在允许集合内的三元组。参数化单元格（Papermill 可覆盖）默认值：

提取性能是真实记录在案的实现事实：仓库注明，原始生产运行以批大小 2 处理 601 份文件，在 NVIDIA RTX 3090 上约 27 分钟、占用约 14GB 显存，且 CPU 再生不被支持。

可回放的提取缓存

仓库随包分发缓存 output/supply_chain_cache/extracted_triples.parquet（约 11KB）及其 sidecar 元数据extracted_triples.meta.json。缓存验证器_validate_cache做四重检查：SHA-256 内容哈希比对、列名与(subject, predicate, object)精确一致、行数落在[100, 50_000]合理区间、行数与 meta 的row_count一致。任何一步漂移都会直接报错，而不是静默使用损坏数据。meta 中记录model_name、max_companies、written_at，把"提取身份"钉死在文件上——参数里改MODEL_NAME并不能追溯性地改变已提交缓存的生产者，代码会明确打印"缓存的生产者是 X"而非声称当前参数。

实体解析：让同名实体收敛为同一节点

实体解析是让图谱可用的关键。缓存中 133 个不同主词字符串里，51 个原样匹配公司名，61 个只是大小写/标点/词序变体，21 个指向运营子公司或品牌——每个拼写若不合并都会成为独立节点，污染下游所有度数统计。仓库采用三层解析：

1. 规范键（canonical key）：entity_key剥离大小写、标点、公司后缀（inc/corp/co/plc/ltd/llc/holdings/the/nv/sa/ag等 23 个）并排序 token。排序是唯一能合并词序不同拼写的规则，在缓存上恰好合并了SCHWAB CHARLES CORP与The Charles Schwab Corporation这一组四种拼写。
2. 文件者名册（filer roster）：从语料本身构建官方名称表，命中的实体直接采用官方拼写——这正是"被列为竞争对手的实体"与"自己提交过 10-K 的实体"成为同一节点的原因。
3. 别名表（alias map）：覆盖从不向 SEC 提交文件的实体，如Taiwan Semiconductor Manufacturing Company → TSMC、Foxconn Technology Group → Foxconn、Advanced Micro Devices → AMD、Amazon Web Services → AWS。

此外还有通用实体过滤器GENERIC_ENTITY_NAMES（"suppliers"、"third parties"、"consumers" 等类别短语）和谓词感知规则（HAS_SUPPLIER宾语含 "supplier" 即拒绝），防止把非命名实体写成节点。解析后用(subject, predicate, object)三元组去重。

值得注意的设计取舍：无法匹配名册的实体（如被模型命名为KAYAK而实际属于Booking Holdings Inc.）不强行合并，保留为独立节点并在输出中显式列出"名册无法覆盖的主词"。生产管线会用公司层级（corporate hierarchy）解决，这里如实标注边界。

Neo4j 批量加载：UNWIND + MERGE

加载采用UNWIND 批量事务：单个 Cypher 语句把成百上千条关系在一次事务中写入，而非逐条执行。每个谓词有独立的 MERGE 模板，例如：

UNWIND $batch AS row MERGE (c:Entity {name: row.subject}) SET c:Company MERGE (s:Entity {name: row.object}) SET s:Supplier MERGE (c)-[:HAS_SUPPLIER]->(s)

注释明确解释了为什么 MERGE 必须落在:Entity {name}上、角色只作为第二标签附加：若按角色标签合并，Microsoft 会因"提交文件的公司 / 被列为供应商 / 被列为客户"三个身份而分裂成三个节点。共享数据库的章节还要求清理时只删除本 notebook 创建的关系，避免误伤08_8k_event_extraction写入的:Company事件边。

供应链图谱的统计口径与边界

图统计部分如实报告：几乎每个被提取的供应商只被一家公司点名，共享供应商只占少数。这是 10-K 披露性质的产物——文件者只列出被要求披露的供应商，只有被多家依赖的供应商才会重复出现。因此共享供应商度数是提取图上的敞口集中度诊断，不等同于中断概率或因果传播概率，用前必须先人工复核被提取实体。

23.3 Graph RAG：把关系逻辑还给数据库

Graph RAG 与向量检索的本质区别在 03_graph_rag_qa.py 中体现为一条安全协议：问题先路由到预写 Cypher 模板，而不是自由生成 Cypher；生成的查询必须通过只读 schema 校验，并强制日期约束与行数上限。五个阶段分别是：问题路由 → 模板化查询 → 只读校验 → 确定性数据库执行 → LLM 用结果组织语言回答。

只读 schema 白名单

校验器持有三张白名单：允许的标签{Institution, Stock, Sector}、允许的关系{HOLDS, IN_SECTOR}、允许的属性集合（available_from, cik, cusip, equity_13f_value, issuer, label, name, report_date, sector, shares, value），并设置禁用关键词集合：

BLOCKED_KEYWORDS = { "CALL", "CREATE", "DELETE", "DETACH", "DROP", "LOAD CSV", "MERGE", "REMOVE", "SET", }

关键运行参数：ROW_LIMIT = 25、TIMEOUT_SECONDS = 2.0，确保任何生成的查询都无法全表扫描或长时间挂起。

生产者快照契约：查询层不自行定义事实

查询层通过GraphSnapshot节点与生产者绑定：读取ch23_13f快照的属性，断言其source_sha256与本地 13F parquet 的 SHA-256 一致，断言cohort_policy == "earliest-report-period formation, fixed forward"，并核对图内节点/关系计数与快照记录的institution_count/stock_count/holding_count完全吻合。as-of 日期由生产者拥有：CUTOFF_DATE为空时读取latest_available_from，用户传入更早日期是合法回看，传入更晚日期则直接断言失败——因为图无法回答它没有文件支撑的日期。这类断言把"查询层引用了一个生产者从未写过的图"这类静默错误变成显式失败。

点对点时间约束

所有点位查询强制h.available_from <= $cutoff_date。13F 持仓有两个日期：report_date（季度末持仓基准日）与available_from（该季度持仓首次公开的提交日，约晚六周）。用report_date做时点查询是前视（look-ahead），用available_from做季度对比则错位一个季度——两个日期回答两种不同的问题，05_institutional_holdings_kg.py 的report_period_calendar把每个报告期的提交窗口与lag_days打印出来，让缺口可见而非假设。

04_rag_comparison_benchmark.ipynb 则在真实 13F 数据上把图检索与向量检索（sentence-transformers嵌入基线）对照，度量支持召回率（support recall）与检索 token 成本，区分直接查找型与多实体型问题。

23.4 从图谱到机器学习特征

05_institutional_holdings_kg.py 定义了 13F 属性图 schema：三类节点Institution(cik, name, equity_13f_value)、Stock(cusip, issuer, label, sector)、Sector(name)；两类关系HOLDS(shares, value, report_date, available_from)与IN_SECTOR。注意两个命名纠偏：equity_13f_value是管理人在形成季度的美国上市多头股票市值（曾叫aum，但 13F 不含现金、债券、境外与私募仓）；label是缩短的发行人显示名（曾叫ticker，但 13F 按 CUSIP 键控、根本没有 ticker）。

数据净化与形成队列

真实 13F 数据经三处关键净化：

• 衍生品行拆分：put_call为空的才是多头持股行；期权行（CALL/PUT）被排除出图并单独汇报规模。把所有三类行加总会把 put 与持股混为一谈，是符号错误而非舍入错误。
• 形成队列（formation cohort）：只在最早报告期一次性地选出机构与股票队列，之后所有报告期沿用同一队列。若用全部报告期排名，未来成员会泄漏进早期时点查询。
• CUSIP 合并拼写：按 CUSIP 分组聚合发行人拼写（"MASTERCARD INC" 与 "MASTERCARD INCORPORATED" 是一个证券），取承载披露价值最多的拼写为canonical_issuer，避免 Neo4j 按 CUSIP MERGE 后出现"队列声称的规模大于图实际规模"的矛盾。

拥挤度与共同持股

内存图InMemoryGraph提供节点/边插入与按边类型的邻接查询，支撑四类教学查询：共享持仓、拥挤度（HOLDER_FLOOR = 2，即holder_count > 2）、跨机构网络路径、按板块聚合持仓。Jaccard 共同持股相似度把二分图投影为股票-股票相似图：

$$J(s_i, s_j) = \frac{|,\text{Holders}(s_i) \cap \text{Holders}(s_j),|}{|,\text{Holders}(s_i) \cup \text{Holders}(s_j),|}$$

仓库诚实标注了统计边界：10 家机构的队列里 Jaccard 只能取少量小整数比，头部存在大量并列，"前 N 相似对"的排序主要由字母序决断，因此代码打印并列组规模而非假装存在排序；持仓重叠是否驱动价格共动是 23.5 节要检验的假设，本 notebook 不测价格共动，这个队列规模也测不出来。

拓扑特征与跨图交互

09_knowledge_graph_features.py 把供应链图（Neo4j 中ch23_supply_chain快照）与第 4 章 13F parquet 合并成特征矩阵，输出宽/长两种格式：

• 拓扑类：pagerank、betweenness（nx.betweenness_centrality）、clustering、in_degree、out_degree；
• 供应链集中度：供应商 HHI（赫芬达尔指数）与竞争敞口；
• 机构拥挤度：13F 持仓派生；
• 跨图交互：supplier_dependency × ownership_hhi、betweenness × n_holders（即systemic_exposure，见pl.col("betweenness") * pl.col("n_holders")的实现）、relationship_churn、centrality_momentum等动态列。

特征元数据为每个特征给出分类与解读（如 betweenness 为 "Bridge or bottleneck position"）。这些特征的下游消费者是第 12 章（表格模型）与第 14 章（潜在因子模型）。

23.5 统计金融网络：相关网络、MST 与 GNN 的实用定位

显式 KG 之外，统计金融网络文献提供互补视角。10_network_portfolio_construction.ipynb 从美国股票构建相关网络与最小生成树（MST），按中心性给资产排序，构造网络多样化组合，并运行传染模拟。其方法论根基是 Mantegna（1999）的层级结构研究、Marti 等（2021）的二十年综述，以及 Konstantinov 等（2023）的金融网络组合管理。

06_gnn_feature_engineering.ipynb 在股票相关网络上训练简化的 **GAT（图注意力网络）**生成关系嵌入，再把"仅表格 ridge 回归"与"拼接学习嵌入的混合模型"对照。仓库使用torch_geometric实现，参考文献涵盖 GCN（Kipf & Welling 2017）、GraphSAGE（Hamilton 2018）与 GAT（Veličković 2018）。定位是务实的：GNN 嵌入作为特征补充而非替代显式 KG，其结论需经受与表格基线同等的评估纪律。

23.6 时序完整性与三时间戳防泄漏

三时间戳模型

08_8k_event_extraction.py 从 SEC 8-K 文件提取结构化事件四元组（subject, relation, object, timestamp），用 FinReflectKG CheckRules 规则校验，规范化实体格式，把未通过 schema 的事件搁置（hold back），并以可回放 run identity加载事件图。8-K 语料约 1249 份文件 × 101 家公司 × 2020–2025，MAX_FILINGS = 50为默认演示规模（0 = 全语料，约 10 倍运行时长）。

每个图边携带三个日期，分别回答三个不同的问题：

07_dynamic_kg_temporal.py 明确警告了一个排序陷阱：GraphSnapshot是共享标签，13F 快照没有extraction_time，Neo4j 把 null 排在所有值之上，因此ORDER BY extraction_time DESC LIMIT 1会选中 13F 快照而不是 8-K 快照。修复方式是显式命名生产者：8-K 快照打上snapshot_kind: '8k_events'标签，查询按snapshot_kind匹配。

cutoff 安全快照与关系更替

代码用CUTOFF_LAG_DAYS = 60从最新公开日回推 cutoff，visible_at_cutoff只保留public_time <= cutoff的边，其余边被隐藏并计数（验证"cutoff 后的事件对可见图不可见"）。随后build_snapshots以WINDOW_DAYS = 90的固定窗口滚动公开事件流，每个窗口统计n_edges、n_subjects、n_objects，相邻窗口间的**关系更替（relationship churn）与中心性漂移（centrality drift）**成为动态特征。

关键概念辨析：披露过滤器（disclosure filter）只按公开日过滤，而三时间戳模型要暴露的是披露过滤器挡不住的那种泄漏——例如事件生效日（effective date）晚于宣布它的文件日，代码在面板 (b) 中绘制"从事件日到披露日的有符号滞后"，并明确"不把滞后截断到零"。

23.7 生产级工程决策

第 23.7 节把整章收敛为四类工程决策：

1. 引擎选型：Neo4j 承担持久化与 Cypher 查询；networkx承担图分析与 MST；torch_geometric承担 GNN；轻量教学场景可用仓库自实现的InMemoryGraph。连接统一走环境变量（默认bolt://localhost:7687，用户neo4j/password），verify_connectivity()在启动时即验证。
2. 本体范围：关系词汇表有限且可枚举（供应链 3 类、13F 2 类、8-K 事件类 + CheckRules 校验），拒绝自由形式的关系。
3. text-to-Cypher 安全：模板路由 + 只读 schema 白名单 + 禁用关键词 + 行数上限 + 超时 + 生产者快照契约，层层设防；代码还要求用**敌意控制集（hostile control set）**审计校验器——不仅用为通过而写的查询，更要用试图绕过它的查询。
4. schema 版本化：缓存与快照携带内容哈希、生产者身份、写入时间与 run_id；实体解析规则（后缀表、别名表、通用实体表）均为显式配置，可版本化演进。

在仓库中复现全部流程

运行方式

# 从仓库根目录运行任一 notebook 脚本 uv run python 23_knowledge_graphs/<notebook>.py # 测试模式（Papermill 缩减数据） uv run pytest tests/test_notebooks.py -v -k "23_knowledge_graphs" # 无显示环境（headless） MPLBACKEND=Agg PLOTLY_RENDERER=json uv run python 23_knowledge_graphs/<notebook>.py

Neo4j 与 GPU 前提

以下 notebook必须有运行中的 Neo4j 实例：02_supply_chain_kg_construction、05_institutional_holdings_kg、08_8k_event_extraction、03_graph_rag_qa、07_dynamic_kg_temporal。典型启动方式（notebook 文档块中给出的 docker compose 命令）：

docker compose --profile kg up -d neo4j docker compose run --rm ml4t python 23_knowledge_graphs/02_supply_chain_kg_construction.py

供应链与 8-K 提取管线默认使用经vLLM 兼容端点提供的 Qwen2.5-7B；本地缓存路径默认无需 GPU，重新提取（RERUN_EXTRACTION=True）需要 CUDA GPU 与ml4t-gpu镜像。13F 数据经data.load_institutional_holdings_13f()加载，其 parquet 由 data/equities/positioning/13f_download.py 生成，缺失时加载器抛出带下载指引的DataNotFoundError。

Notebook 全景

仓库还随包提供了供应链图的成品可视化 figure_23_3_supply_chain_network.png，以及可交互版本supply_chain_d3.html/supply_chain_interactive.html，便于在浏览器中探索 S&P 100 供应链拓扑。

依赖关系与章节定位

上游依赖：第 4 章（基本面与另类数据，13F 机构持仓加载器）、第 10 章（文本特征工程，NER 与文件解析模式）、第 22 章（RAG 基础）。下游消费：第 12 章（表格模型消费跨图特征）、第 14 章（潜在因子模型消费共同持股与拥挤特征）、第 24 章（自主智能体使用结构化检索、记忆与证据追踪）。

章节专属库：neo4j（Cypher 客户端）、networkx（图分析与 MST）、torch_geometric（GAT）、edgartools（SEC EDGAR 文件摄入）、sentence-transformers（RAG 对照的嵌入基线）。

核心参考：本章在多个关键点上引用了公开文献——FinReflectKG（2025）与 FinDER（2025）作为金融 KG 问答基准；Graph RAG（Edge 等，2024）作为查询聚焦摘要方法；RAG 综述（Peng 等，2024）；金融 KG 构建高精度管线（Elhammadi 等，2020，COLING）；FinKG 核心金融知识图谱（Kertkeidkachorn 等，2023）；动态金融知识图谱（Miao 等，2019）；MST 与金融网络层级结构（Mantegna 1999；Marti 等 2021）；金融网络与组合管理（Konstantinov 等，2023，JPM）；股票价格脆弱性（Greenwood & Thesmar 2011，JFE）与银行生态系统系统性风险（Haldane & May 2011，Nature）；以及图神经网络系列（GCN、GraphSAGE、GAT）与反洗钱图卷积实验（Weber 等，2019）。完整条目见 23_knowledge_graphs/README.md 的 References 节。

小结

第 23 章的价值不在于"把数据放进图里"这一动作本身，而在于把图构建当作治理问题：稳定实体身份（规范键 + 名册 + 别名）、有限关系词汇表、边级来源（内容哈希、生产者身份、run_id）、确定性关系查询（Graph RAG 把关系逻辑留给数据库）、泄漏感知的特征工程（三时间戳模型与 cutoff 协议）。这套纪律让知识图谱从"新颖"变成"有用"——可回放、可审计，也能安全地服务于预测、组合构建与风险分析。

【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading