知识图谱-实战演练：从零构建A股投资图谱
1. 为什么需要A股投资知识图谱
在金融投资领域，信息就是财富。但A股市场有4000多家上市公司，每天产生的公告、财报、行业数据等信息量巨大。传统的数据表格和简单查询很难快速发现隐藏在数据背后的关联关系。
举个例子，你想知道：
- 某家公司的董事长是否同时在竞争对手公司任职？
- 某个热门概念板块中有多少家公司是ST股票？
- 某个行业的平均高管年龄是多少？
这些问题用传统数据库查询需要编写复杂的SQL，而知识图谱可以像查字典一样快速找到答案。去年我帮一个私募基金搭建投资分析系统时，用知识图谱将他们的研究效率提升了3倍。
2. 数据准备与爬取实战
2.1 获取上市公司基础数据
我们主要需要三类数据：
- 公司高管信息（姓名、职务、年龄等）
- 行业分类数据
- 概念板块数据
推荐使用Tushare Pro接口获取数据（需要注册获取token）：
import tushare as ts pro = ts.pro_api('你的token') # 获取上市公司高管信息 df_executive = pro.stk_managers() # 获取行业分类 df_industry = pro.stock_basic(exchange='', list_status='L') # 获取概念分类 df_concept = pro.concept()2.2 数据清洗技巧
原始数据往往存在以下问题需要处理：
- 高管姓名中的特殊字符（如"·"）
- 公司名称中的ST/*ST标记
- 行业分类的层级关系
这是我常用的清洗函数：
def clean_company_name(name): st_markers = ['ST', '*ST', 'SST', 'S*ST'] for marker in st_markers: if name.startswith(marker): return name.replace(marker, '').strip() return name def clean_executive_name(name): return name.replace('·', '').replace(',', '')3. 知识图谱建模设计
3.1 实体关系模型
我们的图谱包含4类实体和3类关系：
实体类型：
- 公司(Company)：股票代码、名称、是否ST
- 人员(Person)：姓名、性别、年龄
- 行业(Industry)：行业名称
- 概念(Concept)：概念名称
关系类型：
- 任职关系(EMPLOYED_IN)：高管与公司间的关系，包含position属性
- 行业归类(IN_INDUSTRY)：公司与行业的关系
- 概念归类(HAS_CONCEPT)：公司与概念的关系
3.2 数据转换实战
需要将原始数据转换为Neo4j可导入的CSV格式。关键点是生成全局唯一的节点ID：
import hashlib def generate_id(*fields): concat_str = ','.join(str(f) for f in fields) return hashlib.md5(concat_str.encode()).hexdigest() # 示例：生成人员ID person_id = generate_id('张三', '男', 45)4. Neo4j数据库实战
4.1 批量导入数据
准备好以下CSV文件后，使用neo4j-admin工具导入：
neo4j-admin database import full \ --nodes=import/companies.csv \ --nodes=import/persons.csv \ --nodes=import/industries.csv \ --nodes=import/concepts.csv \ --relationships=import/employment.csv \ --relationships=import/industry_rel.csv \ --relationships=import/concept_rel.csv4.2 实用Cypher查询示例
查询1：找出同时担任多家公司独立董事的人员
MATCH (p:Person)-[r:EMPLOYED_IN]->(c:Company) WHERE r.position CONTAINS '独立董事' WITH p, count(c) as companies WHERE companies > 1 RETURN p.name, companies查询2：分析各行业高管平均年龄
MATCH (i:Industry)<-[:IN_INDUSTRY]-(c:Company)<-[r:EMPLOYED_IN]-(p:Person) WHERE p.age > 0 RETURN i.name, avg(p.age) as avg_age ORDER BY avg_age DESC5. 典型应用场景
5.1 风险控制
通过知识图谱可以快速识别：
- 高管兼职异常（如在竞争对手公司任职）
- ST公司概念炒作风险
- 行业集中度风险
// 查询有ST公司参与的概念板块 MATCH (c:Company)-[:HAS_CONCEPT]->(con:Concept) WHERE c:ST RETURN con.name, count(c) as st_companies ORDER BY st_companies DESC5.2 投资机会发现
可以挖掘：
- 被低估的行业龙头
- 概念板块中的优质标的
- 高管团队稳定的公司
// 查找锂电池概念中非ST的研发投入高的公司 MATCH (c:Company)-[:HAS_CONCEPT]->(:Concept{name:'锂电池'}) WHERE NOT c:ST AND c.rd_expense > 100000000 RETURN c.name, c.rd_expense ORDER BY c.rd_expense DESC6. 性能优化技巧
当数据量增大时，需要注意：
- 建立索引：
CREATE INDEX FOR (c:Company) ON (c.code) CREATE INDEX FOR (p:Person) ON (p.name)- 查询优化：
- 避免全图扫描
- 使用PROFILE分析查询计划
- 限制返回结果数量
- 定期维护：
CALL db.optimize()我在实际项目中发现，合理的索引设计可以将查询速度提升10倍以上。特别是对于千万级节点的大规模图谱，一定要在导入数据前就规划好索引策略。