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