一、课程导论：什么是行业轮动？为什么需要GNN？
大家好，欢迎来到《基于图神经网络的行业轮动策略实战》这门课。
我是你们这门课的主讲人。做量化投资这些年，我踩过不少坑，也积累了一些实战经验。今天咱们开篇，先聊聊最核心的问题：行业轮动到底是什么？为什么传统的机器学习不够用，非得请出图神经网络（GNN）？
嗯，别急，咱们一个一个来拆解。
1.1 什么是行业轮动？
说白了，行业轮动就是资金在不同行业板块之间“搬家”的现象。
你想想看，A股市场有几十个行业。今天可能是新能源涨得欢，明天又轮到白酒板块发力。这种此消彼长的节奏，就是行业轮动。
我刚开始做量化那会儿，总觉得只要选对个股就能赚钱。后来发现，行业配置的贡献度其实比选股还大。我记得有一次，我重仓了一只消费电子股，基本面研究得透透的，结果整个电子板块都在跌，个股再牛也扛不住。从那以后，我开始认真研究行业轮动。
核心观点：行业轮动策略的本质，就是通过预测未来一段时间内哪些行业会跑赢大盘，从而动态调整持仓结构。
行业轮动的驱动力有很多，比如：
- 宏观经济周期：经济复苏期，周期股往往表现好；衰退期，防御性板块（如医药、消费）更抗跌。
- 政策导向：比如“碳中和”政策一出，新能源产业链直接起飞。
- 资金流向：北向资金、主力资金的进出，会直接改变行业间的资金分布。
- 产业链传导：上游涨价，中下游利润被压缩，这种关联关系会引发连锁反应。
传统做法是用宏观经济指标做回归，或者用时间序列模型去预测。但这里有个问题——行业之间不是孤立的。
1.2 为什么需要GNN？
好，问题来了。既然行业之间有千丝万缕的联系，那传统的机器学习模型能处理这种关系吗？
答案是不能，或者说很难。
传统的模型，比如线性回归、随机森林、甚至LSTM，它们处理的数据都是独立同分布的。什么意思？就是每个样本之间互不影响。但行业数据不是这样的。
举个例子：
- 煤炭涨价，会直接影响电力行业的成本。
- 新能源汽车销量好，会带动锂电池、上游锂矿的需求。
- 房地产政策收紧，会拖累建材、家电、银行等多个行业。
这些关系，本质上是一个图结构。每个行业是一个节点，行业之间的关联（比如产业链上下游、资金联动、风险传染）就是边。
我在项目中遇到过这样的情况：用传统模型预测某个行业的收益率，效果总是不太理想。后来我把行业间的关联关系构建成图，用图神经网络去学习，效果提升了不少。说白了，GNN能捕捉到行业之间的“关系信息”，这是传统模型做不到的。
避坑指南：我曾经犯过一个错误——把所有行业都当成完全连接的图。结果模型训练慢，效果还差。后来发现，行业之间的关联强度是不一样的，需要根据相关性或产业链关系来构建稀疏图。这一点后面会详细讲。
所以，为什么需要GNN？
- 能建模关系：GNN天然适合处理图结构数据，可以捕捉行业间的复杂依赖。
- 能聚合邻居信息：一个行业的表现，往往受其“邻居行业”的影响。GNN可以通过消息传递机制，聚合邻居节点的特征。
- 能处理动态变化：行业关系不是一成不变的。GNN可以结合时间序列，建模动态图。
1.3 课程目标与学习路径
这门课的目标很明确：让你从零开始，掌握用图神经网络做行业轮动策略的完整流程。
具体来说，学完这门课，你能做到：
- 理解行业轮动的底层逻辑和数据特征。
- 掌握图神经网络的核心原理（GCN、GAT、GraphSAGE等）。
- 学会构建行业关联图（静态图 + 动态图）。
- 用PyTorch Geometric实现GNN模型，并用于行业收益率预测。
- 构建完整的回测框架，评估策略表现。
下面是整个课程的知识体系图，我画了一张SVG，方便你理解整体脉络：
学习路径上，我建议你按这个顺序来：
| 阶段 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 1-5章 | 行业轮动理论、图神经网络基础、Python环境搭建 |
| 进阶篇 | 6-15章 | 图构建、GCN/GAT实现、特征工程、模型训练 |
| 实战篇 | 16-25章 | 回测框架、策略优化、风险控制、实盘模拟 |
| 拓展篇 | 26-30章 | 动态图、多因子融合、前沿论文解读 |
注意事项：这门课需要你具备一定的Python基础，至少会用pandas和numpy。如果对深度学习有了解更好，但不是必须的。我会在课程中把必要的知识都讲清楚。
好了，第一章的内容就到这里。咱们下一章开始动手——先搭建开发环境，然后获取第一份行业数据。