aifinlab 图神经网络/关联图谱量化助手
数据获取
通过 cn-stock-data skill 获取数据：
- K线数据: 日线历史数据
- 关系数据: 行业/供应链/股东关系
- 因子数据: 节点特征
分析工作流
Step 1: 图结构构建
- 行业关系图：同行业股票相连
- 供应链图：上下游企业关系
- 相关性图：收益率相关性>阈值则连边
- 股东关系图：共同股东/交叉持股
Step 2: GNN模型设计
- GCN：图卷积网络，聚合邻居信息
- GAT：图注意力网络，自适应邻居权重
- GraphSAGE：采样聚合，适合大规模图
- 时序GNN：结合时序信息的动态图网络
Step 3: 图特征提取
- 节点嵌入：GNN学习的股票向量表示
- 图结构特征：度中心性/介数中心性/聚类系数
- 社区发现：识别股票群组/板块
- 信息传播：利好/利空在图上的扩散路径
Step 4: 图谱量化应用
- 关联选股：基于图邻居的协同过滤
- 风险传染：识别系统性风险传播路径
- 领先滞后：图结构中的信息传导时差
- 组合分散化：基于图距离的分散化投资
Step 5: 输出报告
输出格式
formal 风格（研报级）
# 图神经网络量化报告
## 一、图结构概览
| 指标 | 数值 |
|------|------|
| 节点数 | 4,500 |
| 边数 | 28,000 |
## 二、GNN模型表现
[IC/多空收益]
## 三、图谱洞察
[关键社区、传播路径]
## 四、应用建议
brief 风格（快速分析）
## GNN量化速览
- GAT模型，4,500节点，28K边
- 图增强IC=0.048 vs 无图0.040
- 发现3个强关联社区
- 供应链传导延迟约2-3天
参考 references/graph-network-guide.md 获取详细方法论与 A股实证研究。
使用示例
示例 1: 基本使用
# 调用 skill
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json