基于因果推断与图神经网络的新能源产业链量化投资实战指南

1次阅读

共计 1787 个字符，预计需要花费 5 分钟才能阅读完成。

新能源产业链数据具有多源异构、强时序性和隐性关联的特点。传统时间序列模型（如 ARIMA、LSTM）在处理这类数据时存在明显不足：

无法捕捉跨行业的隐性关联（如光伏硅料价格对储能电池成本的影响）
对非结构化数据（政策文本、供应链关系）处理能力有限
策略可解释性差，难以满足合规要求

Granger 因果 ：仅适用于线性关系，无法处理混淆变量
PC 算法 ：能发现非线性关系，但计算复杂度高
LiNGAM：假设数据生成过程为线性非高斯，实际场景限制较多

传统 RNN：难以处理长期依赖，参数量大
图神经网络：显式建模实体关系，支持异构图（如公司 - 产品 - 原材料）

import spacy
from py2neo import Graph

# 实体抽取
nlp = spacy.load('zh_core_web_lg')
text = "宁德时代宣布与赣锋锂业签订五年锂矿供应协议"
doc = nlp(text)

# 关系建模
graph = Graph("bolt://localhost:7687")
query = """
MERGE (a:Company {name: $comp1})
MERGE (b:Company {name: $comp2})
MERGE (a)-[r:SUPPLY {duration: $dur}]->(b)
"""graph.run(query, comp1=" 宁德时代 ", comp2=" 赣锋锂业 ", dur="5 年 ")

from dowhy import CausalModel

model = CausalModel(
    data=df,
    treatment='光伏补贴政策',
    outcome='组件价格',
    graph="""digraph {
    光伏补贴政策 -> 装机量;
    装机量 -> 组件价格;
    多晶硅产能 -> 组件价格;
    }
"""
)

# 计算因果效应
estimate = model.estimate_effect(
    identified_estimand,
    method_name="backdoor.linear_regression"
)

import torch
from torch_geometric.data import HeteroData

# 构建异构图
data = HeteroData()
data['company'].x = torch.randn(num_companies, 16)  # 公司特征
data['product'].x = torch.randn(num_products, 8)   # 产品特征

# 定义边类型
data['company', 'supplies', 'product'].edge_index = supply_edges

# 异构图卷积层
from torch_geometric.nn import HeteroConv

class GNN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = HeteroConv({('company', 'supplies', 'product'): GCNConv(-1, 32),
            ('product', 'rev_supplies', 'company'): GCNConv(-1, 32)
        })