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

Comment STN-TGAT est construit

Le modèle STN-TGAT se compose de deux blocs : un Transformer capte les motifs séquentiels longs dans les cours, tandis qu'un Graph Attention Network décrit les relations dynamiques entre les actions. Par-dessus cela intervient un graphe préalable (prior) fondé sur l'information mutuelle normalisée (NMI), qui indique au réseau quelles actions sont réellement liées.

• Architecture — Transformer temporel + Graph Attention Network
• Le graphe préalable est construit à partir de l'information mutuelle normalisée (NMI) entre les actions
• Le mécanisme de soft-threshold sparsification élimine les corrélations bruitées tout en préservant les liens significatifs
• L'entraînement est aligné sur la décision (decision-aligned), et non uniquement sur la prévision de prix
• Le portefeuille correspond aux 5 principales actions parmi les 50 plus grandes entreprises du S&P 500

La technique clé est le « seuil doux » (soft-threshold sparsification). Elle retire du graphe les corrélations aléatoires et bruitées, mais au lieu de couper brutalement les liens utiles, elle les affaiblit progressivement. Selon les auteurs, cela rend la structure du graphe plus résistante au bruit du marché.

Pourquoi cela se rapproche du trading réel

STN-TGAT n'est pas évalué par une précision de prévision abstraite, mais selon des règles proches du trading réel. Le modèle sélectionne cinq actions parmi les 50 plus grandes entreprises du S&P 500, répartit explicitement les poids entre elles et intègre les coûts de transaction — ce qui, habituellement, réduit la rentabilité des stratégies théoriques.

C'est une différence importante par rapport à de nombreux modèles académiques de classement d'actions : ils affichent souvent une belle précision de prédiction, mais ignorent que chaque rééquilibrage de portefeuille coûte de l'argent. Ici, les coûts de transaction sont intégrés directement dans la procédure de constitution du portefeuille, et la sélection se limite à des titres liquides des plus grands émetteurs de l'indice.

Le modèle dépasse-t-il les benchmarks ?

Selon les auteurs, STN-TGAT devance de façon constante les modèles de référence sur deux axes à la fois — la précision de prévision et le rendement du portefeuille sur données réelles. Autrement dit, le gain ne tient pas seulement au fait que le réseau prédit plus précisément les mouvements de cours, mais aussi au fait que le portefeuille constitué à partir de ses signaux rapporte davantage une fois les coûts pris en compte.

«

La combinaison d'un entraînement aligné sur la décision avec une modélisation relationnelle adaptative offre une base cohérente et pratiquement efficace pour la construction de portefeuille à partir de données », indique le résumé de l'article sur arXiv.

Le nombre d'affirmations vérifiables reste ici limité : il s'agit d'un préprint (announce type: new) qui n'a pas encore été soumis à relecture par les pairs, et les auteurs présentent une comparaison avec les benchmarks sans dévoiler les valeurs exactes de rendement dans le résumé.

Ce que cela signifie

STN-TGAT s'inscrit dans une tendance où les réseaux de neurones sur graphe s'invitent dans la finance quantitative : le marché n'est plus décrit comme un ensemble d'actions indépendantes, mais comme un réseau de relations évoluant dans le temps. La valeur pratique se confirmera lorsque les résultats seront validés en dehors du préprint et sur un historique long, y compris sur des marchés baissiers.

Questions fréquentes

Qu'est-ce que STN-TGAT ?

STN-TGAT (Soft-Threshold NMI-prior Transformer Graph Attention Network) est un modèle de réseau de neurones destiné à classer des actions et à construire un portefeuille d'investissement. Il combine un Transformer temporel, un réseau d'attention sur graphe et un graphe préalable fondé sur l'information mutuelle entre les actions.

Sur quelles données le modèle a-t-il été testé ?

Le modèle a été testé sur des données réelles d'actions du S&P 500 : le portefeuille a été constitué à partir des 5 principales actions parmi les 50 plus grandes entreprises de l'indice, avec une répartition des poids et la prise en compte des coûts de transaction.