图神经网络过平滑：在板块关联图上避免深层 GNN 的信号坍塌
把股票建成一张板块关联图，用 GNN 把跨标的的共同因子「传」给每个节点，本应比只看自身量价更聪明。但层数一深，所有节点会被磨成同一个向量——这就是过平滑（over-smoothing）。本文用 numpy 从零复现：纯 GCN 叠到 16 层 Dirichlet 能量塌到 2.2%、下游分类从 1.000 掉到 0.333（跌破随机 1/3）；并给出三种抗坍塌打法——AppNP 遥传原始特征（16 层仍 0.900）、JK 读头挑最优层（守住 1.000）、以及谱视角的根因：深层传播是反复低通，把板块判别的高频分量抹掉。附完整 Python 与四张真实计算图。