图神经网络基础：从图论到消息传递
各位同学好，我是你们的讲师。今天咱们来聊聊图神经网络（GNN）的基础知识。说实话，我刚开始接触这个领域时，也觉得图论这东西挺抽象的。但后来在量化投资项目中，我发现图结构天然适合描述股票之间的关联关系——比如产业链上下游、同行业竞争、资金流向等等。嗯，搞懂了这些，你就能理解为什么GNN在行业轮动策略里这么有用了。
图论入门：什么是图？
图，说白了就是一种数据结构。它由两部分组成：节点和边。你可以把节点想象成一个个实体，边就是实体之间的连接关系。
举个例子，在股票市场里：
- 节点：每只股票就是一个节点
- 边：两只股票之间的相关性、资金流向、产业链关系等
我个人习惯把图分成两类：
- 有向图：边有方向，比如资金从A流向B
- 无向图：边没有方向，比如A和B的相关性
还有一种叫加权图，每条边带一个权重值。比如两只股票的相关系数0.8，这个0.8就是边的权重。我在做行业轮动策略时，经常用加权图来表示股票之间的联动强度。
节点与边：图的基本单元
咱们深入一点。节点和边不只是简单的点和线，它们可以携带丰富的信息。
节点特征：每个节点可以有一个特征向量。比如对于一只股票，它的特征可以是：
- 市盈率（PE）
- 市净率（PB）
- 过去5日收益率
- 成交量变化率
边特征：每条边也可以有特征。比如：
- 相关系数（0到1之间的值）
- 行业归属（同行业为1，不同行业为0）
- 供应链距离（1表示直接上下游，2表示间接）
重点来了：在GNN中，节点和边的特征都是可以学习的。模型会通过训练自动调整这些特征的表示方式。这一点和传统方法完全不同——传统方法需要你手动设计特征，而GNN能自动从图结构中提取有用信息。
邻接矩阵：图的数学表示
计算机怎么理解图？靠的就是邻接矩阵。这是一个N×N的矩阵，N是节点数量。如果节点i和节点j之间有边，那么A[i][j] = 1，否则为0。
来看个简单的例子。假设我们有3只股票：茅台、五粮液、宁德时代。它们之间的关联关系如下：
- 茅台和五粮液：同属白酒行业，有强关联
- 茅台和宁德时代：不同行业，无直接关联
- 五粮液和宁德时代：不同行业，无直接关联
对应的邻接矩阵就是：
# 3只股票的邻接矩阵
# 茅台 五粮液 宁德时代
A = [
[0, 1, 0], # 茅台
[1, 0, 0], # 五粮液
[0, 0, 0] # 宁德时代
]注意看，对角线都是0，因为节点不和自身相连。矩阵是对称的，因为这是无向图。
小技巧：在实际项目中，我经常用稀疏矩阵来存储邻接矩阵。因为股票数量可能上千，但每只股票真正有强关联的股票可能只有几十只。用稀疏矩阵能节省大量内存。PyTorch Geometric和DGL都支持稀疏矩阵操作，效率很高。
GNN的核心思想：消息传递
好了，终于到了最核心的部分。GNN到底是怎么工作的？一句话概括：消息传递。
消息传递的过程，你可以想象成一个「邻居串门」的过程：
- 收集消息：每个节点从它的邻居那里收集信息
- 聚合消息：把收集到的信息整合起来（比如求和、取平均）
- 更新节点：用聚合后的信息更新当前节点的状态
这个过程会重复多次。每重复一次，节点就能看到更远范围的邻居信息。第一次迭代只能看到直接邻居，第二次迭代能看到邻居的邻居，以此类推。
我曾经在项目中遇到过一个问题：消息传递的轮数太多会导致过平滑——所有节点的特征变得差不多，失去了区分度。嗯，这个坑我踩过，后来通过调整层数和加入残差连接解决了。
消息传递的数学表达
虽然咱们是实战课程，但基本的数学公式还是要懂的。消息传递可以写成：
h_v^(k+1) = UPDATE(h_v^(k), AGGREGATE({h_u^(k) for u in N(v)}))其中：
h_v^(k)：节点v在第k层的特征N(v)：节点v的所有邻居AGGREGATE：聚合函数，比如求和、取平均、取最大值UPDATE：更新函数，通常是一个神经网络层
说白了，就是每个节点先看看邻居们都在干啥，然后把邻居的信息汇总一下，最后结合自己的信息更新一下状态。
为什么消息传递这么重要？ 因为它让图上的信息能够流动起来。在行业轮动策略中，一只股票的涨跌会通过消息传递影响到它的邻居股票，进而影响整个行业板块。GNN能自动学习这种传导机制，比传统的时间序列模型强太多了。
知识体系总览
下面我用一张SVG图来总结本章的核心内容。这张图展示了从图论基础到GNN核心思想的完整脉络。
避坑指南
我曾经踩过的坑，你们别踩了：
- 图太大怎么办？ 别想着把所有股票都塞进一个图里。我建议按行业分组，每个行业建一个子图，或者用采样技术只取部分邻居。
- 边权重要归一化 如果不归一化，度数高的节点（比如茅台这种被大量基金持有的股票）会主导消息传递，导致模型偏差。
- 注意图的动态性 股票之间的关联关系是随时间变化的。今天茅台和五粮液高度相关，明天可能就变了。所以要用动态图或者时间窗口切片。
小结
这一章我们讲了图论的基础概念，包括节点、边、邻接矩阵。然后深入到了GNN的核心——消息传递机制。你想想看，消息传递其实就是一个「邻居串门、信息共享」的过程，并不复杂。
下一章我们会动手实现一个简单的图神经网络，用Python代码跑通消息传递的全流程。到时候你会看到，这些抽象的概念变成代码后，其实挺直观的。