第一章：图神经网络基础：从图论到图神经网络，为什么股票市场需要图结构？

1.1 图论：不只是七桥问题

说起图论，很多人第一反应就是柯尼斯堡七桥问题。嗯，那个经典问题确实重要，但咱们做量化的人，更关心的是图论怎么帮我们赚钱。

图论的核心就三个东西：节点、边、权重。节点就是实体，边就是关系，权重就是关系的强弱。我刚开始接触图论时，觉得这玩意儿太抽象了。直到有一次我在做行业轮动策略，发现传统的时间序列模型根本抓不住股票之间的联动关系——这时候我才意识到，图结构才是描述金融市场的天然语言。

你想想看，A股市场4000多只股票，它们之间难道只是独立个体吗？当然不是。茅台涨了，白酒板块跟着动；宁德时代跌了，新能源产业链都得抖三抖。这就是图结构在起作用。

1.2 从传统神经网络到图神经网络

传统的深度学习模型，比如CNN、RNN，处理的数据都是规规矩矩的——图像是网格，文本是序列。但股票市场的数据呢？它是一张错综复杂的网。

我记得2018年刚入行时，用LSTM做股票预测，效果还行，但总觉得少了点什么。后来我意识到，LSTM只能看到时间维度上的信息，却看不到股票之间的空间关系。说白了，它是个「瞎子」，只知道自己，不知道邻居。

图神经网络（GNN）的出现，就是为了解决这个问题。它的核心思想很简单：每个节点的特征，应该由它自己和邻居节点共同决定。这就像你在朋友圈里，你的状态很大程度上受朋友影响——股票也是一样。

1.3 图注意力机制：让模型学会「看人下菜碟」

普通的GNN有个问题：它把所有邻居一视同仁。但现实中，股票之间的关系有强有弱。茅台和五粮液的关系，跟茅台和工商银行的关系，能一样吗？

图注意力网络（GAT）引入了注意力机制，让模型自己学会给不同的邻居分配不同的权重。说白了，就是让模型知道「谁更重要」。

# 图注意力层的核心计算逻辑（伪代码）
def graph_attention_layer(node_features, adjacency_matrix):
    # node_features: [N, F]  N个节点，每个节点F维特征
    # adjacency_matrix: [N, N]  邻接矩阵
    
    # 1. 线性变换
    h = W @ node_features  # [N, F']
    
    # 2. 计算注意力系数
    e = LeakyReLU(a @ [h_i || h_j])  # 拼接后计算
    
    # 3. softmax归一化
    alpha = softmax(e, dim=1)  # 邻居权重
    
    # 4. 加权聚合
    h_out = alpha @ h  # 新特征
    
    return h_out

这段代码看着简单，但实际调参时坑不少。我曾经因为注意力头数设置不当，导致模型过拟合，在验证集上表现很好，一上实盘就崩。后来我总结了一个经验：注意力头数不要超过8，否则容易学到噪声。

1.4 为什么股票市场天生需要图结构？

这个问题我问过很多同行，答案五花八门。我个人认为，最核心的原因有三个：

原因	传统模型的问题	图结构的优势
关系复杂性	只能处理独立同分布数据	天然支持非欧几里得结构
信息传播	无法捕捉传导效应	消息传递机制模拟真实市场
动态演化	静态假设，不适应市场变化	支持动态图更新

举个例子你就明白了。2020年疫情刚爆发时，医药股先涨，然后带动医疗器械、疫苗、甚至线上办公概念股。这种传导效应，传统模型根本抓不住。但图结构可以——因为节点之间的边会传递信息，就像病毒传播一样。

1.5 图结构在量化选股中的典型应用

目前业界用得比较多的场景，我列几个：

• 行业轮动策略：用图结构捕捉行业间的资金流动和情绪传导
• 因子挖掘：把因子作为节点，自动发现因子间的交互作用
• 风险传导分析：模拟黑天鹅事件在股票网络中的传播路径
• 关联交易检测：识别异常的资金往来和关联交易

我个人最看好的方向是「动态图选股」。传统的图模型都是静态的，但市场每分钟都在变。如果能构建一个随时间演化的动态图，让模型实时更新股票之间的关系，那效果会非常惊人。

1.6 本章知识体系总览

下面这张图是我自己总结的，把本章的核心逻辑串起来了。你看完应该能对图神经网络在选股中的应用有个整体认识。

这张图把我们从图论基础到图注意力网络，再到实际应用的路径都串起来了。你仔细看会发现，整个体系的核心就是「如何让模型理解股票之间的关系」——这也是我们这门课要解决的根本问题。

好了，第一章的内容就到这里。图结构在股票市场中的应用远不止这些，后面我们会一步步深入。记住一句话：在金融市场里，关系比个体更重要。理解了这一点，你就抓住了图神经网络选股的灵魂。