Recenzja książki

Grafowe sieci neuronowe. Teoria i praktyka

Filip Wójcik · 2026 · Helion · recenzja 25 czerwca 2026

To nie jest książka o giełdzie i nie udaje, że jest. Filip Wójcik napisał pierwszy poważny polski przewodnik po grafowych sieciach neuronowych, czyli po technice uczenia maszynowego do danych, których kształtem jest sieć powiązań. Trzymamy ją w warsztacie z jednego powodu: rynek to relacje. Spółka wisi na sektorze, kontrakt na koszyku, kontrahent na drugim kontrahencie. Większość modeli w handlu spłaszcza rynek do tabeli niezależnych wierszy i traci to, co czasem jest właśnie sygnałem, czyli same połączenia. GNN to narzędzie na te sytuacje. Uprzedzam od razu, bo to klucz do całej oceny: autor ani razu nie przerabia przykładu z finansów, więc most z tej książki do naszego rachunku trzeba zbudować samemu.

Po co grafy w handlu

Zacznę od pytania, które zadaje sobie każdy, kto widzi tę pozycję na półce z książkami o tradingu: co tu w ogóle robi rzecz o sieciach neuronowych dla grafów. Odpowiedź jest w jednym akapicie samego Wójcika, w którym pokazuje, jak modelować nie cząsteczkę i nie sieć społecznościową, tylko firmę:

każda organizacja lub instytucja może być modelowana jako graf, którego wierzchołki reprezentują np. działy firmy, produkty lub kontrahentów, a krawędzie — relacje między nimi. Na tej podstawie można wykonywać klasyfikację lub regresję wartości określających np. stabilność finansową czy poziom ryzyka.

Filip Wójcik, Rozdział 3

To jest cały powód, dla którego ta technika nas interesuje. Klasyczny model patrzy na spółkę jak na zestaw liczb: przychód, marża, zadłużenie. Model grafowy patrzy na nią jak na węzeł w siatce dostawców, klientów i konkurentów, a potem pyta, co mówią o niej sąsiedzi. W naszym świecie ten sam pomysł przekłada się na korelacje między instrumentami, na relację sektor do spółki, na mapę powiązań kontraktów reagujących na ten sam czynnik makro. Dla badacza systemu intraday to nie codzienne narzędzie, ale to jedyna znana mi rodzina modeli, która traktuje powiązania jako dane pierwszej kategorii, a nie jako kłopot do uśrednienia.

Czym jest sieć grafowa

Wójcik buduje całą książkę wokół jednej idei, którą warto zrozumieć, zanim dotknie się kodu. Sieć grafowa działa przez przekazywanie wiadomości: każdy wierzchołek zbiera informacje od swoich sąsiadów, agreguje je i aktualizuje własną reprezentację. Powtórzone kilka razy daje to wektor, który koduje nie tylko sam obiekt, ale i jego okolicę. Autor stawia przy tym twardy warunek poprawności takiej sieci, czyli odporność na kolejność wierzchołków. Jeśli przestawienie indeksów zmienia wynik, model uczy się przypadkowego etykietowania, a nie struktury. To jest realna lekcja inżynierska, nie ozdoba.

Książka nie udaje akademickiego wykładu i mówi to wprost:

Nie jest to jednak typowy podręcznik akademicki, lecz pogłębiony, praktyczny przewodnik, łączący teorię z aplikacją w rzeczywistych problemach.

Filip Wójcik, Wstęp

Ta deklaracja jest uczciwa i konsekwentnie dotrzymana. Dostajemy formalizację bez ciężkich wyprowadzeń, pseudokod, intuicje i działające implementacje. Autor osadza też całość w szerszym kontekście. We wstępie pada teza, która tłumaczy, czemu o GNN słychać mniej niż o modelach językowych, choć technika dojrzała:

Pomimo spektakularnego rozwoju GNN w latach 2017 – 2024 ich popularność została częściowo przyćmiona przez rosnące zainteresowanie dużymi modelami językowymi

Filip Wójcik, Wstęp

To dobre ramowanie. Sieci grafowe to dziś dojrzała, cicha część krajobrazu uczenia maszynowego, używana tam, gdzie dane mają jawną strukturę połączeń. AlphaFold, systemy rekomendacji w Amazonie i Netflixie, wykrywanie oszustw w bankowości, wszystko to stoi na grafach. Mniej szumu nie znaczy mniej zastosowań.

Kod który się uruchamia

Największą zaletą tej pozycji jest to, że niczego nie zostawia na poziomie wzoru. Każda omawiana warstwa splotu, czyli GCN, GraphSAGE, GAT i GIN, dostaje najpierw uproszczoną implementację edukacyjną, a potem wersję zoptymalizowaną w PyTorch Geometric. Autor pokazuje, jak wpiąć splot grafowy w zwykłą sieć, jak dobierać hiperparametry przez Optunę, jak prowadzić trening w PyTorch Lightning z wczesnym przerywaniem. To jest poziom książki, którą czyta się z otwartym edytorem, a nie z notatnikiem do podkreślania cytatów.

Dla nas ważne jest jedno: autor traktuje podział danych i ocenę modelu poważnie, w sposób przenośny na dowolną dziedzinę. Pięciokrotna walidacja krzyżowa przy klasyfikacji cząsteczek, oddzielne zbiory treningowy, walidacyjny i testowy przy każdym studium przypadku, świadome ważenie funkcji kosztu przy nierównowadze klas. To są nawyki, które w handlu decydują o tym, czy backtest przeżyje kontakt z rachunkiem. Kto przeniesie z tej książki samą dyscyplinę pomiaru, już wyjdzie do przodu.

Finanse tylko z nazwy

Tu zaczyna się uczciwa krytyka, bo o dobrej książce mówi się, wskazując, gdzie pęka. Finanse pojawiają się w niej regularnie, ale wyłącznie jako wzmianka w akapitach o znaczeniu problemu, nigdy jako przerobiony przykład. Najmocniejsze zdanie o naszej branży brzmi tak:

W sektorze finansowym klasyfikacja wierzchołków wspiera wykrywanie oszustw poprzez analizę relacji między transakcjami, punktami sprzedaży i użytkownikami kart kredytowych. Sieci GNN umożliwiają identyfikację złożonych wzorców oszustw znacznie skuteczniej niż tradycyjne metody

Filip Wójcik, Rozdział 6

Brzmi obiecująco, ale to obietnica bez dowodu w tekście. Cztery studia przypadku w rozdziale szóstym dotyczą klasyfikacji stron na Facebooku, interakcji leków, toksyczności cząsteczek i rekomendacji filmów z MovieLens. Ani jednego rachunku, ani jednej ceny, ani jednego portfela. To nie jest zarzut o nieuczciwość, bo autor nigdzie nie obiecuje finansowego poligonu. To jest informacja dla kupującego: dostajesz silnik i kompletną instalację hydrauliczną w PyTorch Geometric, ale rurę do własnego rynku musisz dociągnąć sam. A najtrudniejsza część, czyli zamiana strumienia cen i fundamentów w sensowny graf, leży dokładnie w tym kawałku, którego książka nie robi.

Pułapka głębokości

Najlepszym dowodem na to, że to jednak coś więcej niż katalog API, jest moment, w którym autor obala intuicję przeniesioną z sieci do obrazów:

W przeciwieństwie do sieci przeznaczonych do analizy obrazu, w sieciach grafowych nie powinno się stosować zasady „im głębsza sieć, tym lepiej”

Filip Wójcik, Rozdział 3

Za tym zdaniem stoi realny problem, czyli nadmierne wygładzanie. Im więcej warstw splotu ułożymy jedna na drugiej, tym bardziej reprezentacje sąsiadujących wierzchołków upodabniają się do siebie, aż w końcu cały graf zaczyna wyglądać tak samo i model traci zdolność rozróżniania. To jest dokładnie ten rodzaj kontrintuicyjnej wiedzy, dla której sięga się po książkę zamiast po dokumentację. Wójcik takich miejsc ma kilka i to one ratują głębię tej pozycji. Trzeba jednak powiedzieć rzecz drugą: teoria, na której to stoi, jest w dużej mierze cudza. Autor rzetelnie odsyła do prac źródłowych, zwłaszcza do podręcznika Hamiltona, ale sam nie wykłada jej od podstaw. To kompetentny przewodnik po cudzych odkryciach z dobrym wyczuciem, co jest ważne, nie autorska teoria sieci grafowych.

Jak tego używamy

Będę szczery co do miejsca tej książki w naszym warsztacie: to nie jest lektura na teraz. Rdzeń systemu R&D na MES, czyli kontrakt Micro E-mini S&P 500, na którym pracujemy, to dziś pomiary, koszty i logika setupów. Pojedynczy kontrakt nie jest grafem i udawanie, że jest, byłoby przerostem narzędzia nad problemem. Ta pozycja czeka na konkretny, późniejszy etap, w którym przestaniemy patrzeć na jeden instrument w izolacji i zaczniemy modelować jego otoczenie: korelacje wewnątrz koszyka, relację indeksu do składowych, mapę instrumentów reagujących na ten sam odczyt makro.

Dwie rzeczy bierzemy jednak od razu, niezależnie od tego, kiedy dojdziemy do grafów. Pierwsza to dyscyplina podziału i walidacji, którą autor stosuje przy każdym przykładzie, bo ona przenosi się jeden do jednego na ocenę strategii. Druga to sama rama myślenia o rynku jako o sieci, a nie o stosie niezależnych szeregów. Nawet jeśli nigdy nie zbudujemy pełnej sieci grafowej, samo pytanie „kto z czym jest tu połączony i co z tego wynika” zmienia sposób, w jaki patrzymy na dane. Książka tego pytania nie zadaje za nas w kontekście rynku, ale daje gotowy aparat, którym da się na nie odpowiedzieć, gdy nadejdzie czas.

Czego tu nie ma

Po pierwsze, jak już padło, nie ma finansów jako realnego przykładu. Kto liczy na rozdział o przewidywaniu cen czy budowie grafu rynkowego, odłoży książkę rozczarowany. Po drugie, to pozycja o kodzie, a kod starzeje się szybciej niż idea. Wójcik pisze pod konkretne wersje PyTorch Geometric, Lightning i Optuny, więc za dwa, trzy lata część przykładów będzie wymagała ręcznego doprowadzania do biegu. Sama mechanika przekazywania wiadomości jest trwała, otoczka narzędziowa nie. Po trzecie, próg wejścia jest wysoki i autor go nie ukrywa. Zakłada Pythona, uczenie głębokie, wsteczną propagację i znajomość pandas, NumPy oraz PyTorcha. Kto tego nie ma, utonie w pierwszych rozdziałach. To uczciwa deklaracja adresata, ale trzeba ją znać, zanim się tę książkę otworzy.

Werdykt

Praktyka 6, głębia 6, aktualność 8. Praktykę stawiam pośrodku świadomie. Jako książka o uczeniu maszynowym jest bardzo konkretna, z kompletnym, uruchamialnym kodem każdej warstwy i czterema pełnymi studiami przypadku. Dla naszego warsztatu odejmuję jej jednak kilka punktów, bo droga od tego kodu do czegokolwiek na MES jest długa, a najtrudniejszy krok, czyli zbudowanie grafu rynkowego, zostaje w całości po naszej stronie. To narzędzie, nie gotowy warsztat handlowy.

Głębię też stawiam pośrodku, i to po namyśle. Książka ma realne momenty wglądu, jak nadmierne wygładzanie czy odporność na permutacje, których nie znajdzie się w dokumentacji bibliotek. Ale teoria, na której stoją, jest cudza i rzetelnie cytowana, nie wyprowadzana od zera. To mocny, szeroki przewodnik implementacyjny, nie autorski wykład. Stąd szóstka, ta sama, którą dostały u nas inne dobre kompilacje praktyczne, a nie wyższa nota zarezerwowana dla książek z własną, oryginalną tezą.

Aktualność jest najwyższym wymiarem i to też ma uzasadnienie. To najświeższa rzecz w naszym zbiorze, wydana w 2026 roku, obejmująca rozwój sieci grafowych do 2024 włącznie, łącznie z modelami hybrydowymi GNN i LLM. Nie zdążyła się jeszcze zestarzeć i opisuje stan bieżący. Ósemka zamiast dziewiątki tylko dlatego, że jako książka o kodzie ma z natury krótszy okres przydatności niż pozycja o samej zasadzie, więc kolejne wydania będą konieczne.

Komu polecić? Praktykowi z bagażem uczenia maszynowego, który chce zrozumieć i wdrożyć sieci grafowe, a do tego woli czytać po polsku, bo to wciąż rzadkość w tej niszy. Kto szuka gotowego pomysłu na rynek, niech szuka gdzie indziej, bo tu go nie ma. U nas książka stoi na półce „kiedyś, ale konkretnie”: nie na dziś, gdy mierzymy koszty pojedynczego kontraktu, lecz na etap, w którym zaczniemy traktować rynek jak sieć powiązań. Wtedy będzie pod ręką, z kodem i z dobrym wyczuciem, gdzie w tej technice leżą pułapki.