STN-TGAT: una red neuronal de grafos para clasificar acciones del S&P 500 y construir carteras

En julio de 2026, un grupo de investigadores publicó en arXiv STN-TGAT, una red neuronal que clasifica las acciones del índice S&P 500 y construye una cartera de cinco valores. Para ello combina un Transformer temporal con una red de atención sobre grafos (Graph Attention Network).

Su nombre completo es Soft-Threshold NMI-prior Transformer Graph Attention Network. La idea es modelar a la vez dos cosas que los modelos habituales tratan en etapas separadas: cómo se comporta cada acción a lo largo del tiempo y cómo se relacionan las acciones entre sí.

Cómo funciona STN-TGAT

STN-TGAT se compone de dos bloques: el Transformer capta patrones secuenciales largos en las cotizaciones y la Graph Attention Network describe las relaciones dinámicas entre acciones. Sobre ambos opera un grafo a priori basado en información mutua normalizada (NMI), que indica a la red qué valores están realmente vinculados.

• Arquitectura: Transformer temporal + Graph Attention Network
• El grafo a priori se construye a partir de la información mutua normalizada (NMI) entre acciones
• El mecanismo de soft-threshold sparsification elimina las correlaciones ruidosas y conserva las relaciones significativas
• El entrenamiento está alineado con la decisión (decision-aligned), y no solo con la predicción del precio
• Cartera: las 5 mejores acciones dentro de las 50 principales empresas del S&P 500

La técnica clave es el «umbral suave» (soft-threshold sparsification). Elimina del grafo las correlaciones aleatorias y ruidosas, pero no corta de golpe las relaciones útiles: las atenúa de forma gradual. Según los autores, esto hace que la estructura del grafo sea más robusta frente al ruido del mercado.

Por qué se acerca más a la operativa real

STN-TGAT no se evalúa por una precisión de predicción abstracta, sino con reglas cercanas a las de la operativa real. El modelo selecciona cinco acciones de las 50 mayores empresas del S&P 500, reparte los pesos entre ellas de forma explícita e incorpora los costes de transacción, que suelen devorar la rentabilidad de las estrategias sobre el papel.

Es una diferencia importante respecto a muchos modelos académicos de clasificación de acciones, que a menudo muestran una precisión de predicción vistosa pero ignoran que cada reequilibrio de la cartera cuesta dinero. Aquí los costes de las operaciones están integrados en el propio procedimiento de formación de la cartera, y la selección se limita a valores líquidos 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 predicción y rentabilidad de la cartera con datos reales. Es decir, la ventaja no está solo en que la red acierte mejor 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 y 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.

La base para verificar estas afirmaciones es limitada: se trata de un preprint (announce type: new) que aún no ha pasado revisión por pares, y en el resumen los autores presentan la comparación con los benchmarks sin revelar los valores exactos de rentabilidad.

Qué significa

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. Su valor práctico llegará cuando los resultados se confirmen fuera del preprint y sobre un historial largo, incluidos los mercados bajistas.

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 carteras de inversión. Combina un Transformer temporal, una red de atención sobre grafos y un grafo a priori 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 formó con los 5 mejores valores dentro de las 50 mayores empresas del índice, con asignación de pesos y teniendo en cuenta los costes de transacción.