供应链知识图谱

Alpha 假设

语言模型很擅长从申报文件和会议记录中抽取关系。这让你能维护一张实时的地图：谁向谁供货、谁依赖哪些投入品、哪些公司面对着同一个终端市场的需求。

• A 公司向 B 公司采购
• C 公司依赖大宗商品 D
• E 公司在细分市场 G 与 F 公司竞争

当冲击击中某一个节点时，你要在市场把整条链条完全定价之前，沿着一阶和二阶关联把预期影响传导出去。这正是图谱的用处所在：不是用来做静态的可视化，而是用来做动态的冲击换算。

数据输入

• 10-K 中的业务描述与风险因素
• 财报电话会与投资者开放日的会议记录
• 主要客户和供应商的表态
• 贸易、关税与出口管制公告
• 大宗商品、货运与物流动态
• 并购公告与资产剥离公告

机构的优势来自持续维护这些关联。一张过时的图谱比没有图谱更糟，因为它会给你虚假的信心。时间戳和衰减机制很重要。

图谱结构

{
  "source_company": "NVDA",
  "target_company": "SMCI",
  "relationship": "demand_beneficiary",
  "strength": 0.82,
  "direction": "positive",
  "economic_channel": "AI server demand",
  "timestamp": "2026-01-29",
  "evidence": "quote or filing span"
}

常用的关系类型

• supplier_of（是……的供应商）
• customer_of（是……的客户）
• competes_with（与……竞争）
• shares_end_market_with（与……共享终端市场）
• input_cost_exposed_to（投入成本暴露于……）
• demand_beneficiary_of（是……需求的受益方）
• regulatory_peer_of（与……受同类监管）

如何搭建这张图谱

1. 从文本中抽取公司名称、产品、地区和需求渠道。
2. 根据上下文推断关系类型和方向。
3. 给出置信度和经济相关性评分。
4. 为每一条边保存证据片段和时间戳。
5. 随着新文档到来，刷新或衰减这些边。

为什么 GPT 在这里有用

大多数原始文档不会直白地写"A 是 B 的二阶受益方"。它们用零碎的语言描述产品、客户、渠道和依赖关系。只要你强制要求结构化抽取并保留证据，GPT 式模型就很擅长把这些碎片规整成一张可用的关系图谱。

冲击传导

图谱建好之后，你还需要一个传导模型。一个简单的版本效果好得出人意料：

1. 对冲击类型分类：需求、定价、监管、诉讼、供应中断、投入成本变动。
2. 给一阶节点赋予直接影响。
3. 沿着关联节点传导影响，权重按距离衰减。
4. 对过时的、低置信度的或已经拥挤的边，调低分数。
5. 把受益方和受害方，对照市场的实际走势做排序。

冲击：某航空公司指出高端出行需求正在走弱
图谱传导影响：
    利空 → 同业航空公司
    利空 → 高端业务占比高的旅游平台
    利空 → 需求 beta 较高的航空燃油炼厂
    利多 → 若宏观传导面扩大，则利好防御性板块

交易：
    做空敞口最脆弱的那一篮子
    用行业 ETF 对冲，或叠加市场 beta 中性的敞口

交易构建

最干净的表达方式，往往是基于篮子、面向相对价值的。

• 受益篮子： 传导得分为正、但初始价格反应偏弱的标的
• 受害篮子： 传导得分为负、但市场重新定价滞后的标的
• 相对价值配对： 做多受益方，做空有敞口的同业或行业 ETF
• 时间跨度： 2 天到 6 周不等，取决于这次冲击是战术性的还是结构性的

最好的狩猎场，是那些关系网真实存在却被低估的领域：工业链条、半导体、专业零售、运输、能源服务，以及与大宗商品挂钩的行业。

风险与控制

• 让边衰减： 三年前的供应关系，如今可能已经不成立
• 标注经济重要性： 并不是每一种关系都会影响盈利
• 避开故事陷阱： 要求价格、成交量或预期修正给出确认
• 使用篮子： 单节点的关联噪音很大
• 留意拥挤度： 在超大市值主题上，图谱上的这条边往往会被立刻定价