STN-TGAT: شبكة عصبية رسومية لترتيب أسهم S&P 500 وبناء المحافظ الاستثمارية

نشر باحثون في يوليو 2026 على arXiv نموذج STN-TGAT، وهو شبكة عصبية ترتّب أسهم مؤشر S&P 500 وتبني محفظة من خمسة أسهم، عبر الجمع بين Transformer زمني وشبكة الانتباه الرسومية (Graph Attention Network).

الاسم الكامل للنموذج هو Soft-Threshold NMI-prior Transformer Graph Attention Network. وتقوم الفكرة على نمذجة أمرين في آنٍ واحد، بينما تفصل بينهما النماذج المعتادة في مرحلتين مختلفتين: كيف يتصرّف كل سهم عبر الزمن، وكيف ترتبط الأسهم ببعضها.

كيف يعمل STN-TGAT

يتألف النموذج من كتلتين: يلتقط Transformer الأنماط التسلسلية الطويلة في الأسعار، بينما تصف شبكة الانتباه الرسومية الروابط الديناميكية بين الأسهم. وفوق ذلك يعمل رسم بياني مسبق يعتمد على المعلومات المتبادلة المعيارية (NMI)، ويرشد الشبكة إلى الأسهم المرتبطة فعلًا.

• البنية — Transformer زمني + شبكة الانتباه الرسومية (Graph Attention Network)
• يُبنى الرسم البياني المسبق على المعلومات المتبادلة المعيارية (NMI) بين الأسهم
• تعمل آلية soft-threshold sparsification على استبعاد الارتباطات المشوَّشة مع الإبقاء على الروابط ذات الدلالة
• التدريب موجَّه نحو القرار (decision-aligned) وليس نحو التنبؤ بالسعر فقط
• المحفظة — أفضل 5 أسهم ضمن أكبر 50 شركة في S&P 500

والحيلة الأساسية هنا هي «العتبة الناعمة» (soft-threshold sparsification). فهي تزيل من الرسم البياني الارتباطات العشوائية المشوَّشة، لكنها لا تقطع الروابط المفيدة بحدّة، بل تضعفها تدريجيًا. وبحسب تصوّر المؤلفين، يجعل ذلك بنية الرسم البياني أكثر مقاومة لضجيج السوق.

لماذا يقترب هذا من التداول الفعلي

لا يُقيَّم STN-TGAT بدقة تنبؤ مجرّدة، بل وفق قواعد قريبة من التداول الفعلي. فالنموذج يختار خمسة أسهم من أكبر 50 شركة في S&P 500، ويوزّع الأوزان بينها صراحةً، ويحتسب تكاليف المعاملات، وهي العامل الذي يلتهم عادةً عوائد الاستراتيجيات النظرية.

وهذا فارق مهم عن كثير من النماذج الأكاديمية لترتيب الأسهم، التي كثيرًا ما تُظهر دقة تنبؤ لافتة لكنها تتجاهل أن كل إعادة توازن للمحفظة لها كلفة مالية. أما هنا فتدخل تكاليف الصفقات مباشرةً في إجراء تكوين المحفظة، ويقتصر الاختيار على الأسهم السائلة لأكبر الشركات في المؤشر.

هل يتفوّق النموذج على المعايير المرجعية؟

يتفوّق STN-TGAT بشكل ثابت، بحسب بيانات المؤلفين، على النماذج المرجعية في محورين معًا: دقة التنبؤ وعائد المحفظة على بيانات حقيقية. أي أن المكسب لا يقتصر على أن الشبكة تتوقع حركة الأسعار بدقة أعلى، بل يشمل أن المحفظة المبنية على إشاراتها تحقق عائدًا أكبر بعد احتساب التكاليف.

«إن الجمع بين التدريب الموجَّه نحو القرار والنمذجة العلائقية التكيفية

يوفّر أساسًا متماسكًا وفعّالًا عمليًا لبناء المحافظ المعتمد على البيانات»، كما ورد في ملخص الورقة على arXiv.

وعدد الادعاءات القابلة للتحقق هنا محدود: فهذه ورقة أولية (announce type: new) لم تخضع للمراجعة العلمية بعد، ويورد المؤلفون المقارنة مع المعايير المرجعية دون الكشف عن القيم الدقيقة للعائد في الملخص.

ماذا يعني ذلك

يندرج STN-TGAT ضمن اتجاه تدخل فيه الشبكات العصبية الرسومية مجال التمويل الكمّي: إذ يُوصف السوق لا كمجموعة أسهم مستقلة، بل كشبكة روابط تتغير عبر الزمن. وستظهر القيمة العملية حين تتأكد النتائج خارج الورقة الأولية وعلى تاريخ طويل، بما في ذلك فترات هبوط الأسواق.

أسئلة شائعة

ما هو STN-TGAT؟

STN-TGAT (Soft-Threshold NMI-prior Transformer Graph Attention Network) هو نموذج شبكة عصبية لترتيب الأسهم وبناء المحفظة الاستثمارية. يجمع بين Transformer زمني وشبكة انتباه رسومية ورسم بياني مسبق يعتمد على المعلومات المتبادلة بين الأسهم.

على أي بيانات اختُبر النموذج؟

اختُبر النموذج على بيانات حقيقية لأسهم S&P 500: إذ جُمعت المحفظة من أفضل 5 أسهم ضمن أكبر 50 شركة في المؤشر، مع توزيع للأوزان واحتساب تكاليف المعاملات.