---
name: aifinlab-a-share-graph-network
description: "A股图神经网络/关联图谱量化。当用户说\"图神经网络\"、\"GNN\"、\"graph network\"、\"知识图谱\"、\"关联图谱\"、\"股票关系网络\"、\"供应链图谱\"时触发。基于 cn-stock-data 获取数据，构建股票关系图谱与GNN模型。支持 formal/brief 两种输出风格。"
license: "Apache-2.0"
metadata:
  decimalai-skill-id: "4c277bc8-26d9-41b0-8f14-31b109cc5a39"
  decimalai-version-id: "52b20d71-7d2d-4441-9b3e-ff4faad99af6"
  decimalai-version: "1"
  decimalai-body-sha256: "1e7b97d9d6c0df3e5e956b64ed1ee3a0bf87d9d257faa4d20a96df0d0d30270f"
  decimalai-name: "aifinlab/a-share-graph-network"
  decimalai-format: "1"
  decimalai-invocation: "model"
  decimalai-category: "finance"
  decimalai-source: "https://app.decimal.ai/s/aifinlab-a-share-graph-network@1/SKILL.md"
---
# 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

```python
# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})
```

### 示例 2: 命令行使用

```bash
python scripts/run_skill.py --input data.json
```