标签： #图神经网络

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。

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。

股票之间的行业关系不该只靠 GICS 分类表写死——真实的行业联动是随宏观 regime 漂移的。图对比学习(GCL)把'股票=节点、收益相关=边'建成图，用子图扰动(删边/加噪/特征掩码)造正负样本，让同一个行业在表征空间里自然聚拢、不同行业推开。本文numpy从零实现GraphSAGE编码器+InfoNCE损失，受控实验证明学到的行业嵌入与真实相关的Spearman ρ从0.30提升到0.85，并诚实标注'它学的是相关性结构不是收益方向'。

板块不是孤岛——半导体一动，消费电子、新能源车、光伏跟着抖。传统 GCN 用固定归一化权重平均所有邻居，把真信号和噪声边一视同仁地糊在一起。图注意力网络 GAT 换思路：给每条边学一个注意力分数 α，让模型自己决定『该多听谁的』。本文用纯 numpy 从零实现单层 GAT（含通过 masked-softmax 的完整反向传播），构造 10 个板块的有向信息流图，故意混入 9 条『市场惯性误认』的噪声边（图上有连接但真实传导=0）。500 个时间点训练后样本外对比：GAT 的 IC 0.670，甩开被噪声边拖累的 GCN（0.625）和完全无图的 MLP（0.577）。注意力热图显示 GAT 学到的 α 与真实传导 β 高度吻合、对噪声边自动降权；hub 分析揭示 GAT 给『消费电子→半导体』分配 0.495 权重（GCN 固定只给 0.316），因为它读得懂『这条边真的重要』。拆穿注意力=因果、单层感受野局限、注意力可解释性幻觉、图结构错了 GAT 也救不了四类陷阱（中阶）。

谱图卷积用拉普拉斯特征分解定义『图上的傅里叶』，但它有两个死穴：特征分解 O(N³) 太贵，且傅里叶基在整张图上全局铺开、没有空间局部性。图小波网络（GWNN, Xu et al. ICLR 2019）把图傅里叶基换成图小波基——用热核 exp(-sλ) 生成一族随尺度可调的、天然稀疏且局部化的基，既能多尺度分析资产关联，又比谱卷积更省、更可解释。本文用纯 numpy 从零实现『归一化拉普拉斯→热核图小波→谱域滤波→图信号去噪』全链路，在 24 资产两板块合成关联图上诚实实测：图小波低通把板块信号去噪 RMSE 从观测的 0.86 压到 0.67、方向准确率拉满 1.00，并对比局部 GCN（RMSE 0.47），拆穿小波必胜/尺度随便选/谱域万能/去噪无损/关联即因果五类真实陷阱（中阶）。

GNN 在金融里最被滥用的说法是「我能从图结构学到别的方法学不到的东西」。但它的数学本质其实很朴素：把 N 个资产之间的相关性当成一个图，相关矩阵 C 截成非负加权邻接 A，算归一化拉普拉斯 L = I − D^{−1/2} A D^{−1/2}，对 L 特征分解得到 U 和特征值 λ；λ 就是「频率轴」——小 λ=低频/跨图平滑的板块信号，大 λ=高频/噪声。图傅里叶变换 x̂ = Uᵀx 把节点信号搬进谱域，再套一个谱滤波器 g(λ) 就能做全局低通去噪。本文用纯 numpy 从零实现拉普拉斯特征分解 + 谱低通 + Kipf-Welling 局部 GCN + 谱聚类，在 50 资产两板块合成图上实测：局部 1 跳 GCN 去噪 corr=0.973(远超观测 0.430、谱低通 0.633)、但谱聚类恢复准确率仅 0.720，并诚实拆穿「图比表强 / 谱低通最优 / 深层才分得好 / 邻接怎么造都行 / 金融可直接落地」五类真实陷阱(中阶)。

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。