4. GNN模型详解：GCN、GAT、GraphSAGE的原理与区别，我该选哪个？
好，咱们进入正题。前面几章我们把图神经网络的基础打牢了，也聊了行业轮动为什么需要图。今天这一章，我打算把三个最主流的GNN模型——GCN、GAT、GraphSAGE——掰开揉碎了讲清楚。
说实话，我刚开始接触GNN的时候，也被这三个名字搞得有点晕。GCN、GAT、GraphSAGE，到底有什么区别？做行业轮动该用哪个？别急，咱们一个一个来拆解。
4.1 GCN：图卷积网络，最朴素的邻居聚合
GCN，全称Graph Convolutional Network，是图神经网络里最经典的模型。2017年由Kipf和Welling提出，可以说是GNN界的“Hello World”。
它的核心思想很简单：每个节点的特征，由它自己和邻居节点的特征加权平均得到。嗯，说白了就是“近朱者赤，近墨者黑”。
GCN的更新公式长这样：
H^(l+1) = σ( D̂^(-1/2) · Â · D̂^(-1/2) · H^(l) · W^(l) )其中：
- Â = A + I，加了自环的邻接矩阵
- D̂ 是Â的度矩阵
- H^(l) 是第l层的节点特征
- W^(l) 是可学习的权重矩阵
- σ 是激活函数，比如ReLU
你可能会问：“为什么要搞个D̂^(-1/2)？” 这是为了归一化，防止那些度数高的节点（比如茅台这种被很多基金持有的股票）把特征值撑得太大。
我的经验：GCN在行业轮动里表现还不错，尤其是当行业之间的关联比较稳定的时候。但我遇到过一个问题——GCN对所有邻居一视同仁，不会区分“这个邻居更重要”还是“那个邻居不太重要”。这在某些场景下会丢失信息。
4.2 GAT：图注意力网络，给邻居加个权重
GAT，Graph Attention Network，2018年由Velickovic等人提出。它解决了GCN的一个痛点：邻居的重要性不一样。
你想想看，在行业轮动里，银行股和地产股的关系，跟银行股和医药股的关系，能一样吗？显然不能。GAT就是通过注意力机制，给每个邻居分配一个权重。
GAT的核心步骤：
- 计算节点i和邻居节点j之间的注意力系数 e_ij
- 用softmax归一化得到 α_ij
- 用 α_ij 加权聚合邻居特征
公式长这样：
α_ij = softmax( LeakyReLU( a^T · [W·h_i || W·h_j] ) )其中 || 表示拼接操作，a 是注意力向量，W 是权重矩阵。
避坑指南：我曾经在GAT里踩过一个坑——多头注意力设太多，导致模型过拟合。在行业轮动这种数据量不大的场景下，我建议头数设2-4个就够了，别贪多。
GAT的好处是灵活。它能学到“哪些行业之间关联更强”，这在动态变化的A股市场里特别有用。比如2020年疫情刚爆发时，医药和在线办公的关联突然变强，GAT能捕捉到这种变化。
4.3 GraphSAGE：面向大规模图的采样聚合
GraphSAGE，全称Graph Sample and Aggregation，2017年由Hamilton等人提出。它的名字已经说明了核心思想：采样 + 聚合。
GCN和GAT都需要知道整个图的结构，这在图特别大的时候（比如全A股5000多只股票）会非常慢。GraphSAGE的做法是：
- 对每个节点，随机采样固定数量的邻居
- 用聚合函数（比如均值、LSTM、池化）把邻居特征聚合起来
- 更新当前节点的特征
它的更新公式：
h_v^(k) = σ( W · MEAN( { h_v^(k-1) } ∪ { h_u^(k-1), ∀u ∈ N(v) } ) )这里N(v)是采样后的邻居集合，MEAN是均值聚合函数。
注意：GraphSAGE的采样数量是个超参数。设太小了信息不够，设太大了又失去了采样的意义。我一般设成10-20，具体要看你的图有多大。
GraphSAGE还有一个好处：它支持归纳学习。什么意思？就是训练好的模型可以泛化到没见过的节点上。这在行业轮动里很有用——比如新股上市，你不需要重新训练模型，直接用GraphSAGE就能给它生成特征。
4.4 三个模型的对比：一张表说清楚
| 特性 | GCN | GAT | GraphSAGE |
|---|---|---|---|
| 邻居权重 | 固定（度归一化） | 可学习（注意力） | 固定（均值/池化） |
| 计算效率 | 高（全图计算） | 中等（注意力计算） | 高（采样后计算） |
| 适用图规模 | 中小规模 | 中小规模 | 大规模 |
| 归纳学习 | 不支持 | 不支持 | 支持 |
| 动态图适应 | 弱 | 强 | 中等 |
| 行业轮动适用性 | 基础场景 | 动态关联场景 | 大规模/新股场景 |
4.5 我该选哪个？实战建议
这个问题没有标准答案，但我可以给你一些实战中的判断依据：
- 选GCN的情况：你的图规模不大（几百个节点以内），行业关联比较稳定，想快速搭一个基线模型。GCN是最快的选择。
- 选GAT的情况：你相信行业之间的关联是动态变化的，或者你想让模型自己学会“哪些行业更重要”。我个人在行业轮动里最常用GAT，效果确实比GCN好一截。
- 选GraphSAGE的情况：你的图很大（几千上万个节点），或者你需要处理新出现的股票/行业。GraphSAGE的采样机制和归纳学习能力是它的杀手锏。
我的建议：如果你刚开始做行业轮动，先用GCN跑通流程，再换成GAT看看效果提升。如果数据量太大跑不动，再考虑GraphSAGE。别一上来就搞最复杂的模型，先跑通再说。
4.6 知识体系总览
下面这张图，我把三个模型的核心逻辑画出来了，方便你对比理解：
嗯，这张图应该能帮你快速建立起三个模型的整体认知。GCN是基础，GAT加了注意力，GraphSAGE加了采样。它们不是互斥的，而是递进的关系。
最后说一句：模型选型没有银弹。我见过有人用GCN在行业轮动上跑出很好的收益，也见过有人用GAT反而过拟合。关键还是理解你的数据和业务场景。多试几个，找到最适合你的那个。