01
课程导论
为什么基金持仓分析需要图神经网络？GNN在金融领域的应用全景。
GNN金融全景
02
图论基础
图的定义、节点与边、有向图与无向图、图的矩阵表示（邻接矩阵、度矩阵）。
矩阵图论
03
Python图计算库入门
NetworkX基础操作、节点与边的增删改查、图的可视化。
NetworkX可视化
04
基金持仓数据获取
使用Tushare/AkShare获取公募基金持仓数据、数据清洗与预处理。
TushareAkShare
05
构建基金-股票二部图
基金节点与股票节点的定义、持仓比例作为边权重、图的存储与序列化。
二部图边权重
06
图特征工程
节点特征构建（基金规模、收益率、波动率；股票市值、PE、ROE）、边特征构建。
特征工程PE/ROE
07
图神经网络基础
从神经网络到图神经网络、消息传递范式、GCN原理详解。
GCN消息传递
08
PyTorch Geometric入门
PyG环境搭建、Data对象的使用、内置数据集的加载。
PyGData对象
09
GCN模型实现
基于PyG实现两层GCN、模型训练与评估、在Cora数据集上验证。
GCNCora
10
GAT模型实现
注意力机制原理、多头注意力、基于PyG实现GAT。
GAT注意力
11
GraphSAGE模型实现
邻居采样、聚合函数、归纳式学习。
GraphSAGE采样
12
基金持仓图上的节点分类任务
预测基金风格（成长型/价值型/平衡型）、模型设计与训练。
节点分类基金风格
13
基金持仓图上的链接预测任务
预测基金可能新增的持仓股票、负采样策略。
链接预测负采样
14
图分类任务
将整个持仓图分类、判断基金组合的风险等级。
图分类风险等级
15
时序图神经网络
引入时间维度、TGAT与EvolveGCN原理、动态持仓图建模。
时序EvolveGCN
16
异构图神经网络
基金-股票-行业异构图的构建、HAN模型的应用。
异构图HAN
17
图解释性
GNNExplainer原理、解释基金持仓预测结果、可视化重要持仓关系。
可解释性GNNExplainer
18
大规模图训练
Mini-batch训练、邻居采样器、Cluster-GCN。
大规模Cluster-GCN
19
图数据增强
节点Dropout、边Dropout、特征掩码、Mixup在图上应用。
数据增强Mixup
20
对比学习在基金图的应用
GraphCL原理、无监督预训练、下游任务微调。
对比学习GraphCL
21
基金相似度计算
基于图嵌入的基金相似度、聚类分析、同类型基金发现。
相似度聚类
22
行业轮动预测
利用GNN学习行业间关联、预测行业轮动趋势。
行业轮动GNN
23
风险传导分析
构建基金-股票-行业多层图、模拟风险传导路径、压力测试。
风险传导压力测试
24
智能投顾系统设计
基于GNN的基金推荐、组合优化、再平衡策略。
智能投顾组合优化
25
模型部署
ONNX导出、TensorRT加速、Flask API服务搭建。
ONNXTensorRT
26
回测框架搭建
基于GNN策略的回测系统、绩效评估指标、夏普比率与最大回撤。
回测夏普比率
27
案例实战一：基于GCN的基金风格分类系统
完整项目实战，从数据到模型部署。
实战GCN
28
案例实战二：基于GAT的持仓链接预测系统
完整项目实战，链接预测与负采样。
实战GAT
29
案例实战三：基于异构图神经网络的行业轮动策略
完整项目实战，异构图与行业轮动。
实战异构图
30
课程总结与展望
GNN在金融领域的未来方向、图基础模型（Graph Foundation Model）趋势。
总结未来趋势