图神经网络（Graph Neural Network, GNN）在量化投资中的吸引力，来自一个朴素但重要的判断：股票不是彼此独立的样本点，而是处在供应链、产业链、股权、资金、分析师覆盖、新闻传播和交易行为共同构成的关系网络中。传统多因子模型通常把每只股票压成一行特征，重点看估值、动量、质量、成长、波动、换手等单体变量；GNN 则试图把“关系”也变成可学习的输入，让模型在图上做信息传播，从而捕捉 lead-lag、产业传导、风险外溢和群体行为。微信文章《降维打击！量化圈的新晋“印钞机”：图神经网络(GNN) 产业链因子全解析与深度进阶》把这个方向讲成一个量化实战故事：构建股票关系图，把供应链、大股东重叠、共同分析师覆盖等关系作为边，再用 GCN/GAT 生成产业链联动因子，和传统动量因子对比回测$^{[1]}$。这类文章的优点是把 GNN 的应用场景讲得直观，缺点是容易把研究原型讲成稳定 alpha。真正理解 GNN 量化因子，需要同时回答两个问题：金融问题到底被怎样图建模？GNN 的理论能力和边界到底在哪里？本文从这篇 GNN + 量化应用切入，逐层深入到图神经网络的理论原理、主流模型谱系、表达能力、常见失效模式、金融落地风险和核心参考文献。

从量化应用看 GNN 的问题意识

传统多因子模型的隐含假设

经典横截面多因子模型通常写成：

\[r_{i,t+1} = f(x_{i,t}) + \epsilon_{i,t}\]

其中 $x_{i,t}$ 是股票 $i$ 在时点 $t$ 的特征，例如估值、动量、盈利、波动率、分析师预期、资金流等。即使模型使用 XGBoost、LightGBM、MLP 或 Transformer，只要输入结构仍然是一只股票一行，它就很容易落入一个默认假设：股票之间的关系只通过特征间接表达，而不是模型结构的一部分。

这个假设在金融市场里明显不完整。比如：

  • 上游原材料涨价会影响中游制造企业利润。
  • 核心客户订单变化会传导到供应商收入预期。
  • 龙头股的价格变化会带动同行业或上下游资产重估。
  • 同一批机构持仓的股票会出现共同交易冲击。
  • 同一分析师覆盖、同一新闻主题、同一产业政策会造成信息同步。

传统模型可以把行业哑变量、上下游价格指数、共同持仓指标手工做成特征，但这些关系一旦变多，手工特征会迅速膨胀，而且难以表达多跳传导和动态权重。GNN 的切入点就是把这些实体和关系显式建成图。

股票市场可以被看成一张图

把股票市场建成图，最小形式是：

\[G_t = (V_t, E_t, X_t, R_t)\]

其中：

  • $V_t$ 是时点 $t$ 可交易股票集合。
  • $E_t$ 是股票之间的边，可以来自产业链、供应链、股权、共同基金持仓、新闻共现、收益相关性等。
  • $X_t$ 是节点特征，即每只股票自己的因子。
  • $R_t$ 是边特征或关系类型，例如上游、下游、竞争对手、同一控股股东、共同分析师覆盖、收益相关边等。

最终任务可以是：

  • 节点回归：预测每只股票未来收益、波动、风险暴露。
  • 节点排序：预测横截面排名，用于 long-short 或 top-k 组合。
  • 边预测：预测某种关系是否形成或增强。
  • 图级预测：预测行业、主题、市场状态。

量化选股最常见的是节点排序。一个简化目标可以写成：

\[s_{i,t} = \mathrm{GNN}(G_t, X_t)_i\]

其中 $s_{i,t}$ 是股票 $i$ 的 GNN 因子分数。策略层再根据分数做排序、行业中性、风险约束和组合优化。

产业链因子的本质

微信文章强调的“产业链 GNN 因子”可以理解为一种关系增强因子。它不只看股票自己过去涨跌，而是看与它有经济关系的其他股票发生了什么。

例如上游煤炭价格上涨：

  • 对煤炭企业可能是收入和利润改善。
  • 对火电企业可能是成本压力。
  • 对高耗能制造企业可能是利润压缩。
  • 对新能源替代链条可能是需求预期改善。

如果只看单股动量，模型可能只能看到煤炭股上涨；如果有产业链图，模型有机会把上游变化传到下游节点，并学习不同关系方向上的正负影响。这正是 GNN 对量化投资的核心价值：把经济传导机制变成模型的结构归纳偏置。

GNN 的核心抽象：消息传递

从图上状态传播开始

现代 GNN 的大部分模型都可以归入消息传递神经网络（Message Passing Neural Network, MPNN）框架。Gilmer 等人在量子化学任务中系统化了这个表述$^{[8]}$。一般形式是：

\[m_v^{(k)} = \mathrm{AGG}^{(k)}\left(\left\{M^{(k)}(h_v^{(k)}, h_u^{(k)}, e_{uv}) : u \in \mathcal{N}(v)\right\}\right)\] \[h_v^{(k+1)} = U^{(k)}(h_v^{(k)}, m_v^{(k)})\]

这里：

  • $h_v^{(k)}$ 是节点 $v$ 在第 $k$ 层的表示。
  • $u \in \mathcal{N}(v)$ 表示 $v$ 的邻居。
  • $e_{uv}$ 是边特征。
  • $M$ 是消息函数。
  • $\mathrm{AGG}$ 是聚合函数，必须对邻居顺序不敏感。
  • $U$ 是节点更新函数。

对股票图来说，消息传递的含义很直观：某只股票的新表示，来自它自己的特征，以及产业链邻居、同行、共同资金持仓股票等邻居节点的信息。

为什么聚合函数必须置换不变

图和序列不同。序列中第一个 token、第二个 token 的顺序有含义；但一个节点的邻居集合没有天然顺序。供应商 A 和供应商 B 在邻居列表里谁排第一，不应该影响模型输出。因此 GNN 的邻居聚合通常要求置换不变：

\[\mathrm{AGG}(\{h_1, h_2, h_3\}) = \mathrm{AGG}(\{h_3, h_1, h_2\})\]

常见聚合函数包括 mean、sum、max、attention-weighted sum。GIN 论文特别指出，sum 聚合在表达多重集合时比 mean/max 更强，这和 GNN 的 Weisfeiler-Lehman 表达能力分析直接相关$^{[10]}$。

图卷积不是普通二维卷积

CNN 在图像上做卷积，是因为像素处在规则网格上，每个位置都有固定邻域结构。图没有固定网格，每个节点度数不同，邻居无序，图大小也可变。图卷积的核心不是“滑动窗口”，而是“邻域聚合”。

GCN 的经典形式来自 Kipf 和 Welling$^{[6]}$：

\[H^{(l+1)} = \sigma\left(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)}\right)\]

其中：

  • $\tilde{A} = A + I$，给图加自环。
  • $\tilde{D}$ 是 $\tilde{A}$ 的度矩阵。
  • $H^{(l)}$ 是第 $l$ 层节点表示。
  • $W^{(l)}$ 是可学习参数。

这可以理解为：每一层都把一个节点和邻居节点的表示做归一化平均，再做线性变换和非线性激活。放到股票图里，它就是“自己因子 + 邻居因子”的加权融合。

从 GCN 到 GAT：边权如何被学习

固定边权的问题

如果产业链数据告诉我们 A 公司向 B 公司供货，占 B 成本的 20%，那么可以把这条边的权重设为 0.2。但固定边权在金融里经常不够：

  • 宏观环境变化时，同一条边的重要性会变化。
  • 成本传导和需求传导方向不同。
  • 一条边对收益、波动、风险的作用可能不同。
  • 数据供应商给出的关系强度可能过时或粗糙。

因此，量化场景里常需要让模型动态学习边权。

GAT 的注意力机制

Graph Attention Networks (GAT) 用注意力机制学习邻居权重$^{[9]}$。简化写法是：

\[e_{ij} = a(Wh_i, Wh_j)\] \[\alpha_{ij} = \frac{\exp(\mathrm{LeakyReLU}(e_{ij}))}{\sum_{k \in \mathcal{N}(i)} \exp(\mathrm{LeakyReLU}(e_{ik}))}\] \[h_i' = \sigma\left(\sum_{j \in \mathcal{N}(i)} \alpha_{ij}Wh_j\right)\]

在金融图里，$\alpha_{ij}$ 可以理解为模型认为“邻居 $j$ 对股票 $i$ 当前预测有多重要”。在牛市、通胀、政策冲击、流动性收缩等不同环境下，注意力权重可能发生变化。微信文章提到的“牛市关注下游扩产、滞胀关注上游资源约束”，本质就是动态边权的直观解释$^{[1]}$。

GAT 不是万能解释器

需要谨慎的是，GAT 的 attention weight 不等于严格因果解释。它只是模型内部的加权机制，可能受到特征尺度、图结构、训练目标、正则化和数据噪声影响。GATv2 指出原始 GAT 的注意力形式存在静态注意力问题，并给出了更灵活的动态注意力设计$^{[18]}$。在金融场景中，如果要把 attention 当解释使用，至少应配合稳定性检验、扰动实验和时间外验证。

GNN 模型谱系

早期图神经网络

GNN 并不是近几年才出现。Gori 等人在 2005 年提出图域学习模型$^{[2]}$，Scarselli 等人在 2009 年给出了更系统的 Graph Neural Network Model$^{[3]}$。早期模型通常把节点状态定义为递归方程，通过迭代传播直到收敛。

这类模型强调的是图上依赖关系的固定点表达，但训练复杂、效率较低，也没有今天深度学习框架下的标准消息传递接口。

谱方法

图谱方法从图 Laplacian 的特征分解出发，试图在图频域定义卷积。Bruna 等人的 Spectral Networks 是代表性早期工作$^{[4]}$。Defferrard 等人的 ChebNet 使用 Chebyshev 多项式近似谱滤波，使图卷积局部化并降低计算成本$^{[5]}$。

谱方法的理论很优雅，但对图结构变化不够友好。量化投资中的股票池会变化，关系图也随时间变化，因此完全依赖固定图谱分解的模型不太方便。

GCN

GCN 可以看成谱方法的一阶近似，也可以看成一种简单的空间邻域聚合。它结构简洁、计算高效、易于实现，是 GNN 入门和许多应用原型的起点$^{[6]}$。

但 GCN 的限制也明显：

  • 默认邻居越相似越好，适合同配图。
  • 边类型和边方向表达能力有限。
  • 多层堆叠容易过平滑。
  • 对动态图和异构图支持不自然。

GraphSAGE

GraphSAGE 解决的核心问题是归纳学习和大图采样$^{[7]}$。它不需要对整张图做完整传播，而是采样邻居并学习聚合函数。因此它适合大规模图和新节点泛化。

在金融里，新上市股票、新增关系、动态股票池都要求模型具备归纳能力。GraphSAGE 的思想比纯转导式 GCN 更贴近生产环境。

MPNN

MPNN 是一个统一框架，不是单一模型$^{[8]}$。它把 GCN、GAT、边特征模型、分子图模型等都放到“消息函数 + 聚合函数 + 更新函数”的抽象里。理解 MPNN 后，再看各种 GNN 变体会清晰很多：多数创新都发生在消息函数、聚合函数、更新函数、读出函数或图结构重写上。

GIN 与表达能力

GIN 论文提出一个关键观点：标准消息传递 GNN 的表达能力至多与 1-dimensional Weisfeiler-Lehman (1-WL) 图同构测试相当$^{[10]}$。如果 1-WL 分不清两个图，普通 MPNN 通常也分不清。

GIN 的核心更新形式是：

\[h_v^{(k)} = \mathrm{MLP}^{(k)}\left((1+\epsilon^{(k)})h_v^{(k-1)} + \sum_{u \in \mathcal{N}(v)}h_u^{(k-1)}\right)\]

它强调 sum 聚合和 MLP 的组合，以尽量增强多重集合表达能力。对金融应用而言，这个理论提醒我们：GNN 不是自动拥有任意图推理能力。它很擅长局部邻域信息传播，但对某些高阶结构、长距离依赖和复杂子图模式，普通 MPNN 可能不够。

GNN 的三类核心失效模式

Over-smoothing：越深越像

GCN 类模型层数增加后，节点表示会反复与邻居平均，最终不同节点表示趋同，失去区分度。这就是 over-smoothing。微信文章也提到，量化中通常只看一到两阶邻居，过深会让股票因子分数趋同$^{[1]}$。

在选股里，过平滑尤其危险。选股需要的是横截面差异，如果所有股票表示都被行业、产业链或市场共同因子抹平，模型可能变成一个行业 beta 或市场情绪提取器，而不是可用 alpha。

应对方法包括：

  • 残差连接和初始表示保留，例如 GCNII$^{[20]}$。
  • Jumping Knowledge，把不同层表示组合起来$^{[19]}$。
  • APPNP/GPR-GNN，用传播和预测解耦$^{[21]}$。
  • 限制传播层数，只做一到两跳经济可解释传播。

Over-squashing：远距离信息被压扁

Over-squashing 指的是远距离大量信息通过有限维向量传到目标节点时，被压缩到难以保留有效信号$^{[23]}$。在图上，如果从远端节点到目标节点的路径很多但瓶颈很窄，信息很容易被挤压。

金融图里也有类似问题。一个宏观冲击可能沿多个行业、多层供应链传播，但如果模型只用固定维度表示聚合多跳信息，远端重要信号可能被淹没。

应对方向包括图重连、位置编码、长程注意力、Graph Transformer 和基于曲率或有效电阻的结构分析$^{[24]}$。

Heterophily：邻居并不相似

很多 GNN 假设相邻节点应该相似，这叫 homophily。但金融图经常是异配的：

  • 上游涨价对上游是利好，对下游可能是利空。
  • 竞争对手之间可能一涨一跌。
  • 债务链和担保链可能传递风险，而不是相似收益。
  • 供应商和客户的收益方向可能不一致。

如果简单做邻居平均，就可能把相反信号混在一起。H2GCN、Geom-GCN、GPR-GNN 等工作都在处理异配图学习问题$^{[21]}$ $^{[22]}$。对量化来说，关系边必须有方向、类型和符号，不能把所有边都当作“越相邻越相似”。

异构图与动态图：金融场景的真实形态

为什么金融图天然异构

股票关系图通常不是单一边类型。至少有：

  • 供应商到客户。
  • 客户到供应商。
  • 同行业竞争。
  • 同集团或股东关系。
  • 共同基金持仓。
  • 分析师共同覆盖。
  • 新闻事件共现。
  • 收益相关性或残差相关性。

这些关系的语义不同，传导方向不同，时间稳定性也不同。如果把所有边合并成一个邻接矩阵，会损失大量信息。异构图神经网络的目标就是在多类型节点、多类型边上学习。

HAN 使用 meta-path 和 attention 处理异构图$^{[25]}$；HGT 使用类型相关的 Transformer 风格注意力处理异构图$^{[26]}$。金融应用中，如果同时建模股票、行业、公司公告、新闻、机构、分析师、基金等节点，HGT 这类模型更自然。

为什么金融图必须带时间

静态图是金融 GNN 研究中最常见的简化，也是最容易出问题的地方。真实关系随时间变化：

  • 供应链合同会变。
  • 持仓披露有滞后。
  • 分析师覆盖会变。
  • 股权关系会变。
  • 相关性边在 regime 切换时会变。
  • 新闻和事件边高度短期。

如果使用未来才知道的边或特征，就会产生严重的 look-ahead bias。因此生产级金融 GNN 应该使用 $G_t$，而不是一个全样本静态图。

Temporal Graph Networks (TGN) 把动态图事件流、节点记忆和时间编码结合起来，是动态图学习的重要代表$^{[27]}$。动态图综述也强调，时间图学习需要区分离散快照图和连续时间事件图$^{[28]}$。

对量化投资来说，动态图建模至少要满足：

  • 每条边有生效时间和失效时间。
  • 特征、标签、边都按 as-of time 对齐。
  • 训练和回测不能使用未来修订后的关系。
  • 对披露滞后和数据供应商更新时间做处理。

Graph Transformer 与图基础模型

为什么要把 Transformer 引入图

普通 MPNN 擅长局部传播，但长程依赖和全局结构较弱。Transformer 的优势是全局 attention，因此自然被引入图学习。

Graphormer 通过中心性编码、空间编码和边编码，把图结构注入 Transformer，并在图表示任务上取得强结果$^{[29]}$。GraphGPS 则提出一种更通用的 recipe，把局部 MPNN 和全局 Transformer 结合起来，试图同时保留局部结构归纳偏置和长程建模能力$^{[30]}$。

在金融图里，Graph Transformer 的潜在价值包括：

  • 捕捉远距离产业链传导。
  • 同时建模局部供应链和全市场共振。
  • 将行业、主题、宏观状态作为全局 token 或结构编码。
  • 缓解普通消息传递的 over-squashing。

图基础模型的趋势

2024-2025 年，图学习开始明显向预训练、跨域迁移和图基础模型演进。Graph Foundation Models 综述系统整理了这个方向，包括图预训练、图提示学习、多任务迁移、图-文本融合等$^{[32]}$。GraphFM 等工作则尝试训练可跨领域迁移的通用图 Transformer$^{[33]}$。

这对量化研究有启发，但也要谨慎。金融图分布高度非平稳，跨市场、跨时期迁移很难。图基础模型可能有助于结构表示和冷启动，但最终仍要接受时间外回测、交易成本和容量约束检验。

自监督学习与图预训练

金融标签噪声很大，未来收益的信噪比低。相比直接监督预测收益，图自监督学习可以先学习结构表示，再用于下游任务。

典型方法包括：

  • Deep Graph Infomax，通过最大化局部节点表示和全局图表示的互信息学习节点表示$^{[34]}$。
  • GraphCL，通过图增强和对比学习获得鲁棒表示$^{[35]}$。
  • BGRL，用 bootstrap 方式做图表示学习，避免显式负样本$^{[36]}$。
  • GraphMAE，用 masked autoencoder 思路重建节点特征$^{[37]}$。

在金融中，自监督任务可以设计为：

  • mask 一部分节点因子，预测缺失特征。
  • mask 一部分产业链边，预测关系存在。
  • 用不同时间窗口或不同数据源构造图增强。
  • 对同一公司的公告、新闻、财务、价格节点做跨模态对齐。

但要注意，自监督预训练同样可能发生时间泄漏。如果预训练用到了未来关系或未来全样本统计，再用于历史回测，结果会虚高。

GNN 量化因子的落地框架

数据层

一个相对严谨的 GNN 量化研究框架，可以从这些表开始：

stock_universe(date, symbol, tradable, industry, market_cap, st_flag, suspend_flag)
node_features(date, symbol, feature_name, value, asof_time)
edges(date, src_symbol, dst_symbol, edge_type, weight, sign, asof_time, valid_from, valid_to)
labels(date, symbol, horizon, forward_return, benchmark_return, excess_return)
prices(date, symbol, open, high, low, close, volume, amount, adj_factor)

关键是 asof_time。在金融研究里，数据什么时候发生不够，必须知道研究者在什么时候能知道它。

图构建

图构建可以分成三层：

  1. 经济关系图
    供应链、股权、行业、上下游、竞争关系，优点是可解释，缺点是更新慢、覆盖不全。

  2. 统计关系图
    收益相关性、残差相关性、成交相关性、资金流相关性，优点是覆盖广，缺点是容易把共同 beta 当成关系。

  3. 信息关系图
    新闻共现、公告主题、分析师覆盖、社交媒体、研报文本相似度，优点是响应快，缺点是噪声大。

生产实践里更合理的是多关系图，而不是单一图。每类边单独编码，再由模型学习不同关系的权重。

模型层

一个基础模型可以是：

node features
  -> feature encoder
  -> relation-aware GNN / GAT / HGT / temporal GNN
  -> node embedding
  -> ranking head
  -> stock score

如果只做单一产业链图，GCN/GAT 就够做原型。如果有多类型边，应该考虑 R-GCN、HAN、HGT 或自定义 relation-aware message passing。如果边是事件流，应考虑 TGN 或时间快照 GNN。

训练目标

直接回归收益很常见，但不是总是最优。量化选股更关心排序和组合表现。可选目标包括：

  • 回归未来超额收益。
  • 二分类预测是否跑赢横截面中位数。
  • pairwise ranking loss。
  • listwise ranking loss。
  • 组合层目标，例如最大化风险调整收益的 surrogate。

在噪声较大的市场里，排序目标通常比精确收益回归更稳健。

回测层

没有严格回测，GNN 因子很容易看起来很好。最低限度应检查：

  • 时间切分是否严格，无未来信息。
  • 股票池是否按历史成分处理。
  • 停牌、涨跌停、ST、退市是否处理。
  • 交易价格是否可成交。
  • 手续费、印花税、滑点、冲击成本是否纳入。
  • 调仓频率和换手是否现实。
  • 行业、市值、风格暴露是否中性化。
  • 多阶段、多市场、多参数扰动是否稳定。
  • IC、RankIC、分组收益、回撤、换手、容量是否同时报告。

微信文章给出的思路适合作为研究起点，但如果没有这些细节，不能把展示性回测等同于可交易策略。

金融 GNN 的特殊风险

关系边质量决定上限

微信文章提到的 Ghost Edges，本质是关系边过时或错误。比如两家公司曾经有大客户关系，但合同已经终止；或者供应链数据库更新滞后，模型仍然沿旧边传播信号。这类错误在 GNN 中会被放大，因为边不仅是特征，而是信息传播路径。

缓解方法包括：

  • 给边设置有效期和衰减。
  • 对低置信度边降权。
  • 用多数据源交叉验证边。
  • 对关键边做 ablation，看模型是否过度依赖。
  • 用动态图而不是全样本静态图。

相关不是因果

统计相关边很容易引入虚假关系。两只股票相关，可能只是因为同一个行业 beta、同一个市场风格或同一个宏观因子。如果模型沿相关边传播，可能只是强化共同风险暴露。

更稳健的做法是先剥离市场、行业、风格暴露，在残差上构建统计边，或者把统计边和经济边分开建模。

拥挤交易会侵蚀 alpha

如果 GNN 因子真的有效，使用者变多后也会拥挤。产业链 lead-lag 这类信号尤其容易被快资金压缩。研究中必须评估换手、容量、冲击成本和信号衰减速度。

可解释性不能只看 attention

金融策略上线需要解释，但 GAT attention 不应被直接当作因果解释。更可靠的解释包括：

  • 边删除实验。
  • 节点特征置换。
  • 时间窗口稳定性。
  • 不同市场阶段的边权分布。
  • 对已知事件做 case study。

从应用回到理论：GNN 到底学到了什么

GNN 的本质不是“更高级的神经网络”，而是一种图结构上的归纳偏置。它假设节点的预测与邻域结构有关，并通过可学习的消息传递来编码这种关系。

这个归纳偏置在三类问题上特别合适：

  • 关系本身有经济或物理含义。
  • 局部邻域信息对节点预测有帮助。
  • 图结构在训练和预测时可获得，并且没有严重未来泄漏。

它在三类问题上容易失败：

  • 图边质量很差，关系大多是噪声。
  • 任务依赖长距离复杂结构，普通 MPNN 表达不足。
  • 图是强异配图，但模型按同配假设做平滑。

对量化投资来说，GNN 的优势不是神秘的“AI 发现隐藏规律”，而是把产业链、资金链、信息链这种原本难以手工完整编码的结构，放进一个可学习、可验证、可回测的模型框架里。

阅读路线

如果从量化应用反推 GNN 理论，我建议按下面顺序读：

  1. 先读 GCN、GraphSAGE、GAT，理解邻域聚合和注意力。
  2. 再读 MPNN，建立统一抽象。
  3. 读 GIN，理解 1-WL 表达力边界。
  4. 读 over-smoothing、over-squashing、heterophily，理解 GNN 为什么会失败。
  5. 读 HAN/HGT/TGN，进入异构图和动态图。
  6. 读 Graphormer/GraphGPS，理解 Graph Transformer。
  7. 读 Deep Graph Infomax、GraphCL、GraphMAE，理解自监督预训练。
  8. 最后读金融图学习论文，把理论映射回选股、排序和回测。

这条路线比直接堆模型更稳，因为它从“为什么需要图”走到“图模型如何传播信息”，再走到“什么时候不能信这个传播”。

文献地图

如果按研究脉络整理，GNN 文献大致可以分成几组。早期基础可以从 Gori 等人的图域学习模型和 Scarselli 等人的 GNN 固定点模型开始$^{[2]}$ $^{[3]}$。谱方法主线包括 Spectral Networks 和 ChebNet，它们解释了图卷积如何从 Laplacian 频域出发，再走向局部化近似$^{[4]}$ $^{[5]}$ 。现代实用主线则由 GCN、GraphSAGE、MPNN、GAT 和 GIN 构成，分别对应归一化邻域聚合、归纳采样、统一消息传递、注意力边权和 1-WL 表达力分析$^{[6]}$ $^{[7]}$ $^{[8]}$ $^{[9]}$ $^{[10]}$。

综述类文献适合放在第二轮阅读。Zhou 等人和 Wu 等人的综述覆盖了早期 GNN 方法、应用和分类体系$^{[11]}$ $^{[12]}$；Geometric Deep Learning 则从对称性、群、流形和图的统一视角解释深度学习结构归纳偏置$^{[13]}$。金融应用主线可以先读 Temporal Relational Ranking，再看时间异构图、财报电话会异构图和多关系动态图股票预测，这几篇和“GNN 量化因子”关系最直接$^{[14]}$ $^{[15]}$ $^{[16]}$ $^{[17]}$。

模型改进和失效模式可以按问题读。GATv2 修正原始 GAT 的注意力表达限制$^{[18]}$；Jumping Knowledge、GCNII 和 GPR-GNN 分别从跨层表示、深层残差和 PageRank 传播角度缓解深层 GNN 问题$^{[19]}$ $^{[20]}$ $^{[21]}$；H2GCN 代表异配图学习方向$^{[22]}$；over-squashing 相关工作解释了为什么远距离信息会被图结构瓶颈压缩$^{[23]}$ $^{[24]}$。异构图和动态图则重点读 HAN、HGT、TGN 和时间图综述$^{[25]}$ $^{[26]}$ $^{[27]}$ $^{[28]}$。

近年的新主线是 Graph Transformer、自监督和图基础模型。Graphormer、GraphGPS 和 Graph Transformer Survey 对应结构编码、局部-全局混合架构和综述入口$^{[29]}$ $^{[30]}$ $^{[31]}$；Graph Foundation Models 和 GraphFM 代表 2025 年左右的通用图模型趋势$^{[32]}$ $^{[33]}$。自监督方面，Deep Graph Infomax、GraphCL、BGRL 和 GraphMAE 分别代表互信息、对比学习、bootstrap 和 masked autoencoding 路线$^{[34]}$ $^{[35]}$ $^{[36]}$ $^{[37]}$。工程和评测层面，Open Graph Benchmark 和 Benchmarking Graph Neural Networks 是理解公开基准、任务划分和实验可复现性的关键入口$^{[38]}$ $^{[39]}$。

小结

从 GNN 量化因子切入，最容易看到的是应用叙事：股票之间有关系，GNN 能看见关系，所以能生成更强因子。这个叙事有价值，但不够严谨。真正的 GNN 量化研究必须同时处理三件事。

第一，金融图的构建必须可信。边的来源、方向、类型、时效、置信度和时间可得性，往往比模型结构更重要。

第二，GNN 的理论边界必须清楚。GCN/GAT/MPNN 擅长局部消息传递，但会遇到 over-smoothing、over-squashing、heterophily 和 1-WL 表达力限制。

第三，回测必须严格。GNN 很容易通过未来边、全样本标准化、成分股幸存者偏差、交易成本忽略等方式产生虚假收益。

如果这些问题处理得足够严谨，GNN 在量化中的价值不是替代传统因子，而是提供一种新的因子生成方式：把单股特征、关系结构和动态市场状态统一到一个可学习的图模型中。

参考文献

[1] 数量技术宅. 降维打击！量化圈的新晋“印钞机”：图神经网络(GNN) 产业链因子全解析与深度进阶. 微信公众号, 2026.

[2] Gori, M., Monfardini, G., and Scarselli, F. A New Model for Learning in Graph Domains. IJCNN, 2005.

[3] Scarselli, F., Gori, M., Tsoi, A. C., Hagenbuchner, M., and Monfardini, G. The Graph Neural Network Model. IEEE Transactions on Neural Networks, 2009.

[4] Bruna, J., Zaremba, W., Szlam, A., and LeCun, Y. Spectral Networks and Locally Connected Networks on Graphs. arXiv, 2013.

[5] Defferrard, M., Bresson, X., and Vandergheynst, P. Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering. NeurIPS, 2016.

[6] Kipf, T. N., and Welling, M. Semi-Supervised Classification with Graph Convolutional Networks. ICLR, 2017.

[7] Hamilton, W. L., Ying, R., and Leskovec, J. Inductive Representation Learning on Large Graphs. NeurIPS, 2017.

[8] Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., and Dahl, G. E. Neural Message Passing for Quantum Chemistry. ICML, 2017.

[9] Velickovic, P., Cucurull, G., Casanova, A., Romero, A., Lio, P., and Bengio, Y. Graph Attention Networks. ICLR, 2018.

[10] Xu, K., Hu, W., Leskovec, J., and Jegelka, S. How Powerful are Graph Neural Networks? ICLR, 2019.

[11] Zhou, J., Cui, G., Hu, S., Zhang, Z., Yang, C., Liu, Z., Wang, L., Li, C., and Sun, M. Graph Neural Networks: A Review of Methods and Applications. arXiv, 2018.

[12] Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., and Philip, S. Y. A Comprehensive Survey on Graph Neural Networks. arXiv, 2019.

[13] Bronstein, M. M., Bruna, J., Cohen, T., and Velickovic, P. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. arXiv, 2021.

[14] Feng, F., He, X., Wang, X., Luo, C., Liu, Y., and Chua, T. S. Temporal Relational Ranking for Stock Prediction. arXiv, 2018.

[15] Xiang, S., Cheng, D., Shang, C., Zhang, Y., and Liang, Y. Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction. arXiv, 2023.

[16] Liu, X., et al. ECHO-GL: Earnings Calls-Driven Heterogeneous Graph Learning for Stock Movement Prediction. AAAI, 2024.

[17] Sun, S., Zhang, X., Zheng, J., Zheng, J., Chen, Z., and Wei, W. MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction. arXiv, 2024.

[18] Brody, S., Alon, U., and Yahav, E. How Attentive are Graph Attention Networks? ICLR, 2022.

[19] Xu, K., Li, C., Tian, Y., Sonobe, T., Kawarabayashi, K., and Jegelka, S. Representation Learning on Graphs with Jumping Knowledge Networks. ICML, 2018.

[20] Chen, M., Wei, Z., Huang, Z., Ding, B., and Li, Y. Simple and Deep Graph Convolutional Networks. ICML, 2020.

[21] Chien, E., Peng, J., Li, P., and Milenkovic, O. Adaptive Universal Generalized PageRank Graph Neural Network. ICLR, 2021.

[22] Zhu, J., Yan, Y., Zhao, L., Heimann, M., Akoglu, L., and Koutra, D. Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs. arXiv, 2020.

[23] Alon, U., and Yahav, E. On the Bottleneck of Graph Neural Networks and its Practical Implications. ICLR, 2021.

[24] Topping, J., Di Giovanni, F., Chamberlain, B. P., Dong, X., and Bronstein, M. M. Understanding over-squashing and bottlenecks on graphs via curvature. ICLR, 2022.

[25] Wang, X., Ji, H., Shi, C., Wang, B., Ye, Y., Cui, P., and Yu, P. S. Heterogeneous Graph Attention Network. WWW, 2019.

[26] Hu, Z., Dong, Y., Wang, K., and Sun, Y. Heterogeneous Graph Transformer. WWW, 2020.

[27] Rossi, E., Chamberlain, B., Frasca, F., Eynard, D., Monti, F., and Bronstein, M. Temporal Graph Networks for Deep Learning on Dynamic Graphs. arXiv, 2020.

[28] Kazemi, S. M., et al. Graph Neural Networks for Temporal Graphs: State of the Art, Open Challenges, and Opportunities. arXiv, 2023.

[29] Ying, C., Cai, T., Luo, S., Zheng, S., Ke, G., He, D., Shen, Y., and Liu, T. Y. Do Transformers Really Perform Badly for Graph Representation? NeurIPS, 2021.

[30] Rampasek, L., Galkin, M., Dwivedi, V. P., Luu, A. T., Wolf, G., and Beaini, D. Recipe for a General, Powerful, Scalable Graph Transformer. NeurIPS, 2022.

[31] Min, E., Chen, R., Bian, Y., Xu, T., Zhao, K., Huang, W., Zhao, P., Huang, J., Ananiadou, S., and Rong, Y. Graph Transformers: A Survey. arXiv, 2024.

[32] Wang, X., et al. Graph Foundation Models: A Comprehensive Survey. arXiv, 2025.

[33] Lachi, V., et al. GraphFM: A generalist graph transformer that learns transferable representations across diverse domains. TMLR, 2025.

[34] Velickovic, P., Fedus, W., Hamilton, W. L., Lio, P., Bengio, Y., and Hjelm, R. D. Deep Graph Infomax. ICLR, 2019.

[35] You, Y., Chen, T., Sui, Y., Chen, T., Wang, Z., and Shen, Y. Graph Contrastive Learning with Augmentations. NeurIPS, 2020.

[36] Thakoor, S., Tallec, C., Azar, M. G., Munos, R., Velickovic, P., and Valko, M. Bootstrapped Representation Learning on Graphs. ICLR Workshop, 2021.

[37] Hou, Z., Liu, X., Cen, Y., Dong, Y., Yang, H., Wang, C., and Tang, J. GraphMAE: Self-Supervised Masked Graph Autoencoders. KDD, 2022.

[38] Hu, W., Fey, M., Zitnik, M., Dong, Y., Ren, H., Liu, B., Catasta, M., and Leskovec, J. Open Graph Benchmark: Datasets for Machine Learning on Graphs. NeurIPS, 2020.

[39] Dwivedi, V. P., et al. Benchmarking Graph Neural Networks. JMLR, 2023.