基于图时空学习的危机韧性投资组合管理

金融时间序列预测面临一个根本性挑战：预测最优资产配置需要理解在危机时期发生转变的、依赖于体制的相关性结构。现有的基于图的时空学习方法依赖于预定的图拓扑结构——相关性阈值、行业分类——这些结构在市场动态因不同危机机制（信用传染、大流行冲击或通胀驱动的抛售）而转变时无法适应。我们提出CRISP（通过时空模式实现危机韧性投资），这是一个基于图的时空学习框架，通过图卷积网络编码空间关系，通过带自注意力的双向长短期记忆网络编码时间动态，然后通过多头图注意力网络学习稀疏结构。与固定拓扑方法不同，CRISP通过注意力机制发现哪些资产关系重要，过滤掉92.5%的连接作为噪声，同时保留与危机相关的依赖关系以进行准确的体制特定预测。在包含信用危机和大流行危机的2005-2021年数据上训练，CRISP展示了在2022-2024年通胀驱动市场（一种根本不同的体制）上的稳健泛化能力，通过准确预测适合体制的相关性结构。这使得自适应投资组合分配能够在经济低迷期间保持盈利能力，实现了夏普比率3.76：比等权重基线提高707%，比静态图方法提高94%。学习到的注意力权重提供了可解释的体制检测，防御性集群注意力在危机期间增强至49%，而市场整体为31%——这是从学习预测而非强加假设中产生的涌现行为。