标签： #gnn

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。

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）。