01
课程导论
什么是行业轮动？为什么需要GNN？课程目标与学习路径。
入门全景
02
金融基础回顾
行业分类标准（申万、GICS）、因子投资基础、动量与反转效应。
金融因子
03
图神经网络基础
图论入门、节点与边、邻接矩阵、GNN的核心思想（消息传递）。
图论消息传递
04
GNN模型详解
GCN、GAT、GraphSAGE的原理与区别，我该选哪个？
GCNGATGraphSAGE
05
数据准备
获取A股日频数据、行业分类数据、构建行业间的关联图（产业链、相关性）。
数据A股
06
特征工程
行业层面的因子计算（动量、波动率、换手率、估值），如何标准化？
因子标准化
07
图构建实战
用Python构建行业关联图，基于皮尔逊相关系数确定边权重。
Python相关系数
08
PyG环境搭建
安装PyTorch Geometric，验证GPU可用性，踩坑记录。
PyGGPU
09
数据加载器
自定义Dataset和DataLoader，处理时间序列切片。
DataLoader切片
10
模型搭建
用PyG实现一个两层的GCN模型，用于行业收益预测。
GCNPyG
11
训练循环
定义损失函数（MSE）、优化器（Adam）、早停机制。
MSE早停
12
回测框架搭建
基于向量化回测，模拟每月调仓的行业轮动策略。
回测调仓
13
策略信号生成
将GNN预测的行业收益排序，做多前N个行业，做空后N个行业。
多空排序
14
绩效评估
计算年化收益率、夏普比率、最大回撤、信息比率。
夏普回撤
15
基准对比
与等权组合、市值加权、传统动量策略进行对比。
基准动量
16
超参数调优
网格搜索学习率、隐藏层维度、GNN层数。
调参网格
17
图结构的影响
不同建图方式（固定阈值、全连接、稀疏图）对策略的影响。
图结构稀疏
18
时间动态性
如何引入时间衰减？用滑动窗口更新图结构。
滑动窗口衰减
19
多任务学习
同时预测行业收益和波动率，提升模型鲁棒性。
多任务鲁棒
20
注意力机制
用GAT自动学习行业间的重要性权重，可解释性分析。
GAT可解释
21
异构图构建
加入宏观因子（利率、PMI）作为额外节点，丰富图信息。
异构图宏观
22
风险控制
结合VaR限制行业权重，避免过度集中。
VaR风控
23
交易成本
考虑滑点和佣金，让回测更贴近实盘。
滑点佣金
24
实盘注意事项
模型更新频率、数据延迟、过拟合的识别与处理。
实盘过拟合
25
案例研究1
2020年疫情后的行业轮动，GNN策略表现如何？
疫情案例
26
案例研究2
2022年熊市中的防御性轮动，GNN能否跑赢？
熊市防御
27
模型解释性
用GNNExplainer可视化哪些行业对预测最重要。
可解释可视化
28
前沿扩展
时空图网络（STGCN）在行业轮动中的应用。
STGCN时空
29
部署方案
将训练好的模型封装成API，定时自动运行。
API部署
30
课程总结
核心要点回顾、常见误区、进阶学习资源推荐。
总结资源