FinCausalGraph：分层交互式金融因果图谱系统

FinCausalGraph是一个开源可视化系统，核心目标是构建三层金融政策传导因果图，将抽象货币政策推理与具体现实事件关联，支持证据溯源与交互探索，可直接部署至GitHub Pages。该系统旨在解决传统金融分析停留在相关性层面、大语言模型推理黑箱缺乏证据支撑的问题。

在金融领域，理解政策传导至市场及事件的因果关系是核心诉求，但传统分析难以揭示真正因果；大语言模型推理过程如黑箱，缺乏可追溯证据。FinCausalGraph提出分层交互式图谱系统，将抽象政策推理与具体事件关联，让因果关系透明可探索。

FinCausalGraph采用三层分层架构：

• 顶层：聚焦央行利率调整、量化宽松等货币政策决策，是因果链条起点；
• 中层：将顶层政策细化为九类具体工具（如信贷、汇率政策）；
• 底层：分解为微观机制节点（如银行信贷、资产价格渠道）；
• 右侧：关联三个具体现实事件，每个事件附带证据溯源。

核心特性：

• 证据锚定：每因果连接有具体证据支撑，可追溯推理依据；
• 抽象与具体桥梁：连接宏观政策与微观事件；
• 交互式探索：支持节点展开/折叠、路径追踪等非线性探索；
• 政策传导可视化：直观展示政策传导过程。

技术实现：

• 纯前端栈（HTML/CSS/JS，ES Module组织代码）；
• 图谱数据存储于graph_data/*.json；
• 支持GitHub Pages部署，本地运行只需启动静态服务器（如python3 -m http.server 8080）。

应用场景：

• 政策研究：分析政策传导有效性，识别关键节点；
• 教学演示：直观展示货币政策传导机制；
• 投资分析：辅助理解市场走势深层因素；
• 事件复盘：梳理历史事件传导路径。

数据扩展：通过更新graph_data/*.json可修改/扩展图谱，支持不同政策主题、更新事件数据、扩展层级或关联事件。

开源意义：提供轻量级可视化方案，纯前端架构降低部署门槛，用户可快速搭建自己的图谱站点。

局限性：

• 数据需手动准备更新，无自动化因果抽取；
• 超大规模图谱受前端性能限制；
• 因果准确性依赖人工构建。

未来方向：

• 自动化因果抽取（结合大模型）；
• 动态数据接入；
• 协作编辑功能；
• 扩展至产业、环境政策等领域。

FinCausalGraph通过分层可视化让复杂政策传导机制直观可理解，在AI可解释性时代具有参考价值。它为金融研究者、政策分析师、投资者及普通用户提供独特视角，理解塑造经济生活的复杂因果链条。