标签： #图神经网络

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）。

个股从不是孤岛：相关性、供应链、板块联动把 30 只股票织成一张网。本文从零实现 2 层图卷积网络(GCN)，先让它学会预测「系统性重要度」，再用训练好的消息传递把冲击沿网络扩散，量化「hub 暴跌→全网传染」的放大效应，并诚实列出图构建里的真实陷阱。

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。