标签： #相关性建模

GNN 在金融里最被滥用的说法是「我能从图结构学到别的方法学不到的东西」。但它的数学本质其实很朴素：把 N 个资产之间的相关性当成一个图，相关矩阵 C 截成非负加权邻接 A，算归一化拉普拉斯 L = I − D^{−1/2} A D^{−1/2}，对 L 特征分解得到 U 和特征值 λ；λ 就是「频率轴」——小 λ=低频/跨图平滑的板块信号，大 λ=高频/噪声。图傅里叶变换 x̂ = Uᵀx 把节点信号搬进谱域，再套一个谱滤波器 g(λ) 就能做全局低通去噪。本文用纯 numpy 从零实现拉普拉斯特征分解 + 谱低通 + Kipf-Welling 局部 GCN + 谱聚类，在 50 资产两板块合成图上实测：局部 1 跳 GCN 去噪 corr=0.973(远超观测 0.430、谱低通 0.633)、但谱聚类恢复准确率仅 0.720，并诚实拆穿「图比表强 / 谱低通最优 / 深层才分得好 / 邻接怎么造都行 / 金融可直接落地」五类真实陷阱(中阶)。

多元高斯 copula 有一个致命盲点：它假设所有依赖都对称、且上下尾一致。但金融市场最关心的是「危机时大家一起跳水」的下尾联动——这正是高斯 copula 2008 年失灵的根源。Vine Copula 把 D 维依赖拆成一层层二元 copula 的「藤」，每层只处理一对变量（可带条件），于是能用 Clayton 这种擅长下尾的族去刻画危机共跌，又能在不同层用不同族。本文用纯 numpy 从零实现 C-Vine 的 Clayton 采样与 h-函数，在 4 维合成数据上把下尾依赖织到 0.71（理论值 0.707），而同样 Kendall's tau 的高斯 copula 只有 0.40，并用核密度、散点危机区、柱状对比三类真实图说清这件事，最后诚实拆穿「藤结构选择 = 维度爆炸」「参数估计靠成对拟合」「条件采样偏倚」三条最易被忽视的边界（中阶）。