2. 数据准备：股票关系图构建、节点特征工程、边权重计算

好，咱们进入第二章。说实话，这一章是整个图因子回测的基石。你想想看，图都建不好，后面算出来的因子能靠谱吗？我在项目里见过太多人，一上来就急着跑模型，结果数据准备阶段全是坑，最后回测结果一塌糊涂。

这一章，我会带你一步步搞定三件事：股票关系图怎么搭、节点特征怎么提取、边权重怎么算。嗯，咱们一个一个来。

2.1 股票关系图构建

股票关系图，说白了就是把股票看成一个个节点，股票之间的关系看成边。那问题来了——什么才算「有关系」？

我个人习惯用三种关系：

• 行业关联：同行业股票天然有联动性。比如茅台和五粮液，你涨我也涨。
• 产业链上下游：比如锂矿和电池厂，上游涨价下游成本就高。
• 资金联动：机构重仓股之间经常同涨同跌。

构建图的时候，我建议用无向图。为什么？因为股票之间的影响往往是双向的。你想想看，A涨带动B涨，B涨也可能反过来影响A。

下面是我常用的构建代码框架：

import pandas as pd
import networkx as nx

# 假设我们有股票列表和行业分类
stocks = ['000001.SZ', '000002.SZ', '600519.SH']
industry_map = {'000001.SZ': '银行', '000002.SZ': '房地产', '600519.SH': '白酒'}

# 构建图
G = nx.Graph()
for stock in stocks:
    G.add_node(stock, industry=industry_map[stock])

# 同行业股票加边
for i, s1 in enumerate(stocks):
    for s2 in stocks[i+1:]:
        if industry_map[s1] == industry_map[s2]:
            G.add_edge(s1, s2, weight=1.0)

2.2 节点特征工程

节点特征，就是每个股票自己的属性。这部分我踩过不少坑，给你说说我的经验。

常用的节点特征分三类：

特征类型	具体指标	说明
基本面特征	PE、PB、ROE、市值	反映公司内在价值
量价特征	收益率、波动率、换手率	反映市场交易行为
情绪特征	北向资金净流入、融资余额变化	反映资金态度

我曾经犯过一个错误——把所有特征一股脑全塞进去。结果模型过拟合得一塌糊涂。后来我学乖了，特征要精不要多。一般选5-8个核心特征就够了。

特征处理上，有几点要注意：

• 标准化：不同量纲的特征要归一化。我习惯用Z-score。
• 缺失值处理：别直接删。可以用行业均值填充，或者用前向填充。
• 时序对齐：所有特征必须用同一时间截面的数据。这个坑我踩过——用了不同日期的数据，结果回测曲线漂亮得不像真的，后来才发现是数据没对齐。

from sklearn.preprocessing import StandardScaler

# 假设 features_df 是特征数据，index为股票代码，columns为特征名
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features_df)

# 转回DataFrame
features_scaled_df = pd.DataFrame(
    features_scaled, 
    index=features_df.index, 
    columns=features_df.columns
)

2.3 边权重计算

边权重，就是衡量两只股票之间关系强弱的数值。权重越大，关系越紧密。

常用的计算方法有：

1. 相关系数法：用历史收益率的皮尔逊相关系数。简单粗暴，但有效。
2. 互信息法：能捕捉非线性关系。计算量稍大。
3. 行业相似度：同行业设为1，不同行业设为0。或者用行业分类的层级距离。

我个人最常用的是滚动相关系数。为什么？因为股票之间的关系是动态变化的。去年同涨同跌的两只股票，今年可能就分道扬镳了。

import numpy as np

def calculate_edge_weight(returns_1, returns_2, window=60):
    """
    计算两只股票的滚动相关系数作为边权重
    returns_1, returns_2: 收益率序列
    window: 滚动窗口大小
    """
    corr = returns_1.rolling(window).corr(returns_2)
    # 取最近一个值作为当前权重
    return corr.iloc[-1]

# 示例
weight = calculate_edge_weight(stock_a_returns, stock_b_returns)
print(f"边权重: {weight:.4f}")

嗯，到这里数据准备的核心内容就差不多了。你可能会问：这些特征和权重怎么组合到一起？别急，下一节我们会讲怎么把这些数据喂给图神经网络。但在此之前，我建议你先把这章的内容动手跑一遍。

最后送你一句话：数据准备花的时间，后面模型调试会十倍还给你。别图快，慢慢来。