STN-TGAT: граф-нейросеть для ранжирования акций S&P 500 и сборки портфеля

Cómo está construida STN-TGAT

El modelo STN-TGAT está compuesto por dos bloques: un Transformer capta patrones secuenciales largos en las cotizaciones, mientras que una Graph Attention Network describe las relaciones dinámicas entre acciones. Sobre esto opera un grafo previo (prior) basado en información mutua normalizada (NMI), que le indica a la red qué acciones están realmente relacionadas.

• Arquitectura: Transformer temporal + Graph Attention Network
• El grafo previo se construye a partir de la información mutua normalizada (NMI) entre acciones
• El mecanismo de soft-threshold sparsification elimina correlaciones ruidosas conservando los vínculos significativos
• El entrenamiento está alineado con la decisión (decision-aligned), no solo con el pronóstico de precios
• La cartera está formada por las 5 acciones principales dentro de las 50 mayores empresas del S&P 500

La técnica clave es el "umbral suave" (soft-threshold sparsification). Elimina del grafo correlaciones aleatorias y ruidosas, pero no corta de forma abrupta las conexiones útiles, sino que las debilita de manera gradual. Según los autores, esto hace que la estructura del grafo sea más resistente al ruido del mercado.

Por qué esto se acerca más al trading real

STN-TGAT no se evalúa por una precisión de pronóstico abstracta, sino por reglas cercanas al trading real. El modelo selecciona cinco acciones entre las 50 empresas más grandes del S&P 500, distribuye explícitamente los pesos entre ellas e incorpora los costes de transacción, algo que normalmente reduce la rentabilidad de las estrategias en papel.

Esta es una diferencia importante respecto a muchos modelos académicos de clasificación de acciones: a menudo muestran una precisión de predicción atractiva, pero ignoran que cada rebalanceo de la cartera cuesta dinero. Aquí los costes de las operaciones están incorporados directamente en el procedimiento de construcción de la cartera, y la selección se limita a acciones líquidas de los mayores emisores del índice.

¿Supera el modelo a los benchmarks?

Según los autores, STN-TGAT supera de forma consistente a los modelos de referencia en dos ejes a la vez: precisión de pronóstico y rentabilidad de la cartera con datos reales. Es decir, la ventaja no está solo en que la red predice con más precisión el movimiento de las cotizaciones, sino también en que la cartera construida a partir de sus señales rinde más una vez descontados los costes.

"La combinación de un entrenamiento alineado con la decisión con un

modelado relacional adaptativo ofrece una base coherente y prácticamente eficaz para la construcción de carteras basada en datos", señala el resumen del trabajo en arXiv.

El número de afirmaciones verificables aquí es limitado: se trata de un preprint (announce type: new) que aún no ha pasado revisión por pares, y los autores presentan la comparación con los benchmarks sin revelar los valores exactos de rentabilidad en el resumen.

Qué significa esto

STN-TGAT forma parte de una tendencia en la que las redes neuronales de grafos entran en las finanzas cuantitativas: el mercado se describe no como un conjunto de acciones independientes, sino como una red de relaciones que cambia con el tiempo. El valor práctico aparecerá cuando los resultados se confirmen fuera del preprint y con un historial largo, incluyendo mercados a la baja.

Preguntas frecuentes

¿Qué es STN-TGAT?

STN-TGAT (Soft-Threshold NMI-prior Transformer Graph Attention Network) es un modelo de red neuronal para clasificar acciones y construir una cartera de inversión. Combina un Transformer temporal, una red de atención de grafos y un grafo previo basado en la información mutua entre acciones.

¿Con qué datos se probó el modelo?

El modelo se probó con datos reales de acciones del S&P 500: la cartera se armó con las 5 acciones principales dentro de las 50 mayores empresas del índice, con distribución de pesos y considerando los costes de transacción.