GNN 是一種專門用來處理圖結構數據的深度學習模型。相比傳統的時間序列模型（如 LSTM）或獨立處理個別資產的方法，更能捕捉金融市場中複雜的關聯結構。

一、為什麼需要 GNN？

傳統神經網路（如 CNN、RNN）主要處理：

• CNN：網格狀數據（圖像）
• RNN：序列數據（文字、時間序列）

但現實世界有大量非歐幾里得結構的數據，例如：

• 社交網路（人與人的關係）
• 分子結構（原子與化學鍵）
• 知識圖譜（實體與關係）
• 金融網路（公司、產業的關聯）

這些數據的特點是：節點數量不固定、沒有固定的順序、節點間有複雜的連接關係。

二、圖的基本概念

一個圖 G = (V, E) 包含：

• 節點 (Vertices/Nodes)：代表實體
• 邊 (Edges)：代表節點間的關係
• 特徵：
  • 節點特徵：每個節點的屬性
  • 邊特徵：每條邊的屬性（可選）

金融範例：

• 節點：各家公司
• 邊：供應鏈關係、持股關係、產業關聯
• 節點特徵：股價、市值、財務指標
• 邊特徵：交易量、關係強度

三、GNN 的核心機制

GNN 的關鍵思想是訊息傳遞 (Message Passing)：

1. 聚合 (Aggregation)：收集鄰居節點的資訊
2. 更新 (Update)：結合自身特徵與鄰居資訊，更新節點表示
3. 重複多層：讓資訊在圖中傳播更遠

四、常見的 GNN 架構

1. GCN (Graph Convolutional Network)

• 使用加權平均聚合鄰居資訊
• 考慮節點度數進行正規化

2. GraphSAGE

• 使用取樣策略處理大規模圖
• 支援歸納式學習（可處理新節點）

3. GAT (Graph Attention Network)

• 使用注意力機制決定鄰居的重要性
• 不同鄰居有不同的權重

4. GIN (Graph Isomorphism Network)

• 理論上最具表達力的 GNN 架構
• 能區分更多圖結構

五、GNN 在金融投資的優勢

處理異質數據的能力

• 金融市場包含多種類型的數據：股價、交易量、財報、新聞、社交媒體情緒等
• GNN 能將這些異質數據建模為圖結構，其中節點代表不同實體（如公司、產業、經濟指標），邊代表它們之間的關係

捕捉關聯性

• 可以建模公司間的供應鏈關係、產業關聯、股票相關性
• 捕捉資訊在市場網路中的傳播效應
• 例如：某公司的變動如何影響其上下游企業

即時監控的適用性

• GNN 可以在圖結構上進行高效的訊息傳遞和聚合
• 當新數據進來時，可以快速更新圖中相關節點的表示
• 適合動態更新的市場環境

可能的應用場景

• 投資組合優化（考慮資產間相關性）
• 系統性風險評估（分析金融網路的傳染效應）
• 股票預測（利用公司關係圖）
• 異常交易檢測（透過交易網路分析）

六、GNN用於市場趨勢分析案例

以股市監控系統來說明 GNN 如何應用於市場趨勢監控。