01
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？
图论GNN股票拓扑
02
注意力机制入门
从Seq2Seq到Transformer，注意力机制的核心思想。
Seq2SeqTransformerAttention
03
图注意力网络原理
GAT的数学推导与核心公式，多头注意力机制。
GAT多头注意力数学推导
04
股票关系图构建
行业关联、供应链关系、资金流向图的构建方法。
行业关联供应链资金流
05
特征工程
股票技术指标、基本面因子、舆情因子的提取与标准化。
技术指标基本面舆情
06
PyTorch基础
张量操作、自动求导、模型构建基础。
PyTorch张量自动求导
07
PyTorch Geometric入门
图数据加载、消息传递机制、内置GAT层。
PyG消息传递GAT层
08
数据预处理
股票数据清洗、缺失值处理、异常值检测。
数据清洗缺失值异常检测
09
时间序列对齐
不同频率数据的对齐方法，交易日历处理。
时间对齐交易日历频率转换
10
图数据构建
将股票关系转化为PyG的Data对象。
PyG Data图构建边索引
11
GAT模型搭建
基于PyG实现单层GAT选股模型。
单层GATPyG实现选股
12
多头注意力实现
理解并实现多头GAT，参数调优。
多头GAT参数调优注意力头
13
损失函数设计
排序损失、回归损失在选股中的应用。
排序损失回归损失选股
14
训练流程
批次训练、验证集划分、早停策略。
批次训练验证集早停
15
评估指标
IC值、Rank IC、夏普比率、最大回撤。
ICRank IC夏普比率
16
回测框架搭建
基于Backtrader的简单回测系统。
Backtrader回测策略
17
因子组合优化
如何将GAT输出的分数转化为投资组合。
组合优化分数转化权重
18
行业中性化
消除行业偏差，提升模型泛化能力。
行业中性偏差消除泛化
19
风格因子剥离
市值、动量等风格因子的处理。
风格因子市值动量
20
模型解释性
GAT注意力权重的可视化与解读。
注意力权重可视化可解释性
21
超参数调优
学习率、层数、头数的网格搜索。
网格搜索学习率层数
22
过拟合处理
Dropout、正则化、数据增强策略。
Dropout正则化数据增强
23
多市场适配
A股、港股、美股的不同处理技巧。
A股港股美股
24
高频数据应用
分钟级数据的GAT模型改造。
高频分钟级GAT改造
25
事件驱动增强
将公告、新闻事件融入图结构。
事件驱动公告新闻
26
模型部署
ONNX导出、C++推理、API服务搭建。
ONNXC++推理API
27
实盘注意事项
滑点、手续费、冲击成本模拟。
滑点手续费冲击成本
28
风险控制
VaR、CVaR在GAT选股中的应用。
VaRCVaR风控
29
前沿进展
Graph Transformer、Heterogeneous GAT在选股中的应用。
Graph Transformer异质GAT前沿
30
完整项目实战
从数据获取到实盘模拟的全流程代码实现。
实战全流程代码实现