Excalidraw在金融建模图表中的尝试

Excalidraw在金融建模图表中的尝试

在一次量化团队的晨会中，主讲人花了整整十分钟试图用语言解释一个雪球产品的敲入触发机制——“如果波动率持续高于阈值，且标的资产价格在观察期内跌破障碍水平……”台下几位风控同事频频皱眉，有人小声问：“能不能画个图？”于是白板被拉了出来，粉笔划出几条歪斜的箭头和方框。五分钟后，所有人都点头了。

这个场景并不罕见。在金融建模的世界里，最复杂的逻辑往往最难说清。我们有强大的计算工具，却常常缺少一种能让所有人“同时看到同一幅画面”的沟通媒介。直到像Excalidraw这样的工具出现——它不解决数学问题，但它解决了人的问题。

传统金融建模依赖 Excel 公式链、Python 可视化或 PowerPoint 流程图来表达逻辑结构。这些方式各有优势，但在跨职能协作时却显得笨重：代码对非技术人员不友好，静态图表难以实时调整，PPT 修改成本高。当一个衍生品的定价模型涉及多个触发条件、路径依赖和状态转移时，文字描述几乎注定会产生误解。

而 Excalidraw 提供了一种截然不同的思路：用草图承载思想，以协作达成共识。作为一款开源的手绘风格虚拟白板工具，它的设计理念不是“做出完美的图”，而是“快速表达正在思考的东西”。这种“未完成感”反而成了优势——它降低了表达的心理门槛，鼓励即兴创作与即时反馈。

更关键的是，Excalidraw 的底层数据结构是完全结构化的 JSON 对象。这意味着每一条线、每一个框都可以被程序读取、传输甚至生成。结合大语言模型（LLM）的能力，我们现在可以做到：输入一句自然语言，自动生成一张符合金融语义的流程图。这不仅是效率提升，更是工作范式的转变。

比如，在设计 Black-Scholes 期权定价模型的讲解材料时，你不再需要从空白画布开始拖拽形状。只需告诉系统：“画一个包含输入参数、d1/d2 计算、累计正态分布和最终价格输出的流程图。”后台调用 LLM 解析意图后，返回一组标准格式的elements数组，直接渲染到前端画布上。整个过程不到十秒。

import openai import json def generate_bs_diagram(prompt: str): system_msg = """ 你是一个金融建模助手，负责将自然语言描述转化为 Excalidraw 兼容的图表JSON结构。 输出必须是合法JSON，包含elements数组，每个元素符合Excalidraw数据模型。 示例类型：rectangle（方框）、arrow（箭头）、text（文本） 场景：Black-Scholes期权定价流程图 """ response = openai.ChatCompletion.create( model="gpt-4o", messages=[ {"role": "system", "content": system_msg}, {"role": "user", "content": prompt} ], temperature=0.5 ) try: result_json = json.loads(response.choices[0].message['content']) return result_json except json.JSONDecodeError: print("LLM 返回内容非合法JSON") return None # 调用示例 diagram_data = generate_bs_diagram( "创建一个Black-Scholes模型流程图：输入参数 → 计算d1,d2 → N(d1),N(d2) → 最终价格。用箭头连接。" ) if diagram_data: with open("black_scholes_excalidraw.json", "w") as f: json.dump(diagram_data, f, indent=2) print("图表结构已生成并保存")

这段脚本的核心价值在于打通了“意图”到“可视化”的最后一公里。当然，实际应用中需注意数据安全边界——建议仅在脱敏环境下运行，避免通过公网 API 传输敏感业务逻辑。

Excalidraw 的图形渲染基于 HTML5 Canvas 和 Rough.js 库，后者专门用于模拟手绘线条效果。每条线都有轻微抖动，每个角都不是完美直角，这种“粗糙感”恰恰削弱了传统图表带来的权威压迫感，让参与者更愿意提出修改意见。毕竟，没人会觉得“这图太丑了不好意思改”。

其状态管理采用不可变数据结构（Immutable Data），所有图形对象以 JSON 形式存储：

{ "id": "A1B2-C3D4", "type": "rectangle", "x": 100, "y": 200, "width": 160, "height": 60, "strokeStyle": "solid", "roughness": 2, "fillStyle": "hachure", "backgroundColor": "#eef" }

这套结构不仅支持导出为 PNG 或 SVG，还能无缝嵌入 Notion、Obsidian 等知识管理系统，甚至可以通过 Export API 接入 CI/CD 流水线，实现模型文档的自动化更新。

在真实项目中，我们曾用它重构结构性票据的评审流程。过去，产品经理写完需求文档后，开发、风控、合规三方各自理解，等到会议才发现对“自动赎回条件”的定义存在分歧。现在，第一轮讨论就在共享的 Excalidraw 房间里进行。一人主笔，其他人实时标注，AI 自动生成初版流程图后，大家共同调整分支逻辑。最终定稿的画布截图进入正式文档，对应的 JSON 文件则存入 Git 仓库，版本可追溯。

这种模式尤其适合处理复杂衍生品的多情景路径分析。例如一个带双障碍条款的奇异期权，其行为取决于时间、价格、波动率等多个变量的组合。传统的表格说明极易遗漏边界情况，而可视化状态转移图能清晰展示所有可能路径：

• 绿色路径表示敲出终止；
• 红色代表敲入进入亏损区间；
• 灰色虚线标出未触发情形。

不同角色的关注点也得以在同一空间内共存：交易员关注收益分布，风控关心尾部风险节点，IT 团队则在图中标记接口接入点。一张图，成了多方对话的共同语言。

当然，使用过程中也有不少经验教训。我们发现，最容易犯的错误是把 Excalidraw 当成万能工具——试图在里面做数值计算，或者堆叠上百个节点形成“巨无霸架构图”。事实上，它的最佳定位是概念建模层，而非执行层。一旦进入编码阶段，就应该由 Python 或 SQL 接手。

另一个常见问题是命名混乱。早期有人用“股价”、“行权价”混用术语，导致新成员看不懂。后来我们制定了规范：统一使用英文标准字段名（如spot_price,strike_price），并在角落添加图例说明颜色与线型含义。简单改动带来了显著的认知效率提升。

安全性方面，公开实例显然不适合绘制含客户信息或未发布产品细节的内容。我们的做法是在企业内网部署私有化版本，集成 OAuth 认证，房间访问权限按项目组控制。WebSocket 通信走内部通道，Redis 缓存会话状态，PostgreSQL 存储元数据，整套架构跑在 Kubernetes 集群上，与现有 DevOps 体系无缝对接。

从系统集成角度看，Excalidraw 很少孤立存在。它通常位于这样一个链条的中间环节：

[用户输入] ↓ (自然语言 / 手动绘图) [Excalidraw 前端] ←→ [WebSocket Server] ↓ (导出/同步) [Git / Confluence / Notion] ↓ [建模团队 / 风控部门 / 投资委员会]

若启用 AI 生成功能，则增加：

[Excalidraw] → [Proxy API Server] → [LLM Gateway] ↖ [Prompt Template Manager]

这种设计使得它既能保持轻量灵活，又能深度融入机构的知识管理体系。

回头来看，Excalidraw 真正的价值或许不在技术本身，而在于它改变了我们处理抽象逻辑的方式。它让我们意识到：在金融建模中，表达的清晰度往往比计算的精度更重要。一个99%准确但无人理解的模型，远不如一个90%准确但团队共识明确的模型有用。

随着 AI 能力的演进，未来我们可以设想更智能的工作流：语音输入“画一个CDO的层级损失分配图”，系统自动生成初始结构，并根据历史项目数据推荐常见模式；再通过插件调用风险引擎验证关键节点的合理性，形成“生成—校验—迭代”的闭环。

在这个追求敏捷与透明的时代，Excalidraw 不只是一个绘图工具，它是连接思想与实现的桥梁，是把“我脑子里的想法”变成“我们一起看见的东西”的那支笔。对于任何经常面对“你能再说一遍吗？”这类提问的金融工程师来说，值得一试。