课程导论：图神经网络与基本面分析的结合点

大家好，欢迎来到这门课。我是你们的老朋友，一个在量化金融和AI交叉领域摸爬滚打了七八年的工程师。今天咱们聊聊，为什么要把图神经网络（GNN）和基本面分析凑到一块儿。

说实话，我刚入行那会儿，基本面分析全靠Excel和直觉。看财报、算比率、做回归，累得半死。后来接触了深度学习，觉得终于能喘口气了。但很快我发现，传统模型有个硬伤——它们把公司当成孤立的点。你想想看，一家公司的股价，难道只跟它自己的财务数据有关吗？

当然不是。供应商、客户、竞争对手、监管机构……这些关系网才是真正的价值所在。而图神经网络，恰恰就是处理这种「关系」的利器。

为什么是GNN？基本面分析的痛点

传统基本面分析，说白了就是「单点分析」。我们盯着ROE、PE、现金流这些指标，然后做线性回归或者时间序列预测。但这里有个大问题：公司之间的关联信息被完全忽略了。

举个例子。2018年，我参与过一个供应链风险项目。一家汽车零部件公司，财报数据漂亮得很。但它的主要客户是一家陷入财务危机的车企。传统模型完全没捕捉到这个风险，结果股价暴跌时我们才反应过来。嗯，那次教训挺深刻的。

为什么会这样？因为传统模型没有「图」的概念。而GNN能做的，就是把这些关系编码成图结构——公司是节点，业务往来是边。然后让模型自己去学习，哪些关系重要，哪些关系是噪音。

课程目标：从入门到实战

这门课的目标很明确：让你能独立搭建一套基于GNN的基本面分析系统。不是纸上谈兵，是真正能跑起来、能赚钱的那种。

具体来说，学完这门课，你应该能做到：

• 理解图神经网络的核心原理（别怕，我会用最直观的方式讲）
• 把财务数据、供应链数据、行业关系数据构建成图
• 用PyTorch Geometric实现GNN模型，并训练它预测股票收益
• 评估模型效果，并部署到实盘环境中

我个人习惯把学习路径分成三个阶段：

1. 基础篇（第1-10章）： 数学基础 + GNN原理 + 图数据构建
2. 进阶篇（第11-20章）： 注意力机制、异构图、时序图模型
3. 实战篇（第21-30章）： 回测框架、因子组合、实盘部署

每个阶段我都会穿插真实项目中的踩坑经历。比如，我曾在图数据构建时忽略了「边权重」的归一化，导致模型训练直接发散。这种坑，我帮你提前踩了。

必备数学与编程基础回顾

我知道，很多人一听到「数学基础」就头疼。别担心，咱们不需要成为数学家。你只需要掌握以下内容：

领域	需要掌握的内容	我建议的学习方式
线性代数	矩阵乘法、特征值分解、张量运算	会用numpy操作就行，不用背公式
概率统计	条件概率、贝叶斯定理、正态分布	理解概念，能看懂论文里的符号即可
微积分	链式法则、梯度下降	知道反向传播是怎么回事就够了
编程基础	Python、PyTorch基础、Pandas	能写简单的数据预处理脚本

如果你对上面这些还有点模糊，我建议花一周时间快速过一遍。我在课程资源里放了一份「数学速查手册」，可以直接拿来用。

知识体系总览

下面这张图，是我自己梳理的课程知识体系。你可以把它当成一张「地图」，随时回来看看自己走到哪了。

这张图展示了课程的三个层次。底层是基础，中间是进阶模型，顶层是实战应用。你会发现，每一层都依赖下一层。所以我的建议是：别跳步。我见过太多人直接跳到实战篇，结果连图数据怎么构建都搞不清楚，最后代码跑不通。

学习路径建议

每个人的基础不一样，我给出两条路径：

• 快速路径（适合有深度学习经验的人）： 跳过第1-3章，直接从第4章「图数据构建」开始。遇到不懂的数学概念再回头查。
• 扎实路径（适合初学者）： 按顺序学，每章都动手写代码。我建议你走这条路，因为「地基不牢，地动山摇」。

我个人更推荐扎实路径。你想想看，一个模型训练要几个小时，如果因为基础概念没搞懂导致返工，那才叫浪费时间。

好了，导论部分就到这里。记住，这门课的核心就一句话：把公司之间的关系建模成图，然后用GNN挖掘其中的alpha。接下来的每一章，我都会带你一步步实现这个目标。

---