- 图神经网络因子扩散：用 GCN 在板块关联图上传播收益信号
原始因子信号常常「脏」：同一板块的股票本该共享行业 beta，可个股噪声把板块共性搅得七零八落。本文用 numpy 从零实现图卷积网络(GCN)的消息传递，把 120 只股票按收益相关性建成板块关联图，再让因子信号沿边「扩散」——每只股票的得分被邻居平均，板块内噪声被洗掉、共同因子被提纯。在合成数据上，扩散后整体 rank-IC 从 0.489 升到 0.656(+34.2%)，共同因子 IC 冲到 0.93；但文章也诚实指出代价：个股特异 alpha 的 IC 被平滑到 −0.03，这就是过平滑(over-smoothing)。附完整 Python 与四张真实计算图。
9 min Chinese - 图神经网络 GNN 资产关系建模：把「谁和谁像」直接写进模型的结构里
传统因子模型把每只股票当成孤立样本，可现实里资产从来不是孤岛——同行业、供应链上下游、共同持仓，处处是关系。图神经网络（GNN）把资产建成一张图：节点是股票、边是关系，图卷积让每个节点在预测时「借用邻居的信息」。本文用纯 numpy 从零实现一层 GCN，在「3 行业 × 60 股、同行业由共同因子驱动」的自洽合成数据上，证明加了图结构的半监督分类准确率从 MLP 的 0.75 直接拉到 1.00，并诚实拆穿邻接矩阵怎么建、过平滑、图泄漏等五类真实陷阱（中阶）。
16 min Chinese - 订单簿的图表示学习与限价单簿动力学：当 GCN 遇见微观结构
限价订单簿不只是一张价量表，它是一张图：价位是节点、相邻档位是边、最优价差是桥。本文用风格化 LOB 模拟器 + 纯 numpy 手写 2 层 GCN 预测中间价方向，并诚实指出预测力其实来自聚合订单流不平衡(OFI)，而非跨价位空间拓扑——图结构真正发力在真实 LOB 的队列位置动力学。
13 min Chinese
返回