STN-TGAT : un réseau de neurones sur graphe pour classer les actions du S&P 500 et construire un portefeuille

En juillet 2026, des chercheurs ont publié sur arXiv STN-TGAT, un réseau de neurones qui classe les actions de l'indice S&P 500 et construit un portefeuille de cinq titres. Il associe un Transformer temporel à un réseau d'attention sur graphe (Graph Attention Network).

Son nom complet est Soft-Threshold NMI-prior Transformer Graph Attention Network. L'idée : modéliser simultanément deux aspects que les modèles classiques traitent à des étapes distinctes, à savoir le comportement de chaque action dans le temps et les liens qui les unissent entre elles.

Comment fonctionne STN-TGAT

STN-TGAT repose sur deux blocs : le Transformer capte les motifs séquentiels longs dans les cours, tandis que le Graph Attention Network décrit les relations dynamiques entre les actions. Un graphe a priori, fondé sur l'information mutuelle normalisée (NMI), vient s'y superposer et indique au réseau quels titres sont réellement liés.

• Architecture : Transformer temporel + Graph Attention Network
• Le graphe a priori est construit à partir de l'information mutuelle normalisée (NMI) entre les actions
• Le mécanisme de soft-threshold sparsification écarte les corrélations bruitées tout en conservant les liens significatifs
• L'entraînement est aligné sur la décision (decision-aligned), et pas seulement sur la prévision du prix
• Portefeuille : les 5 meilleurs titres parmi les 50 premières entreprises du S&P 500

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

Pourquoi c'est plus proche du trading réel

STN-TGAT n'est pas évalué sur une précision de prévision abstraite, mais selon des règles proches de celles 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 rogne d'ordinaire le rendement des stratégies théoriques.

C'est une différence notable avec de nombreux modèles académiques de classement d'actions : ils affichent souvent une belle précision de prédiction, mais ignorent que chaque rééquilibrage du portefeuille a un coût. Ici, les frais de transaction sont intégrés directement à la procédure de constitution du portefeuille, et le choix est limité aux titres liquides des plus gros émetteurs de l'indice.

Le modèle bat-il les benchmarks ?

Selon les auteurs, STN-TGAT surpasse 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 à une meilleure anticipation des mouvements de cours : le portefeuille construit à partir de ses signaux rapporte aussi davantage, coûts compris.

« L'association d'un apprentissage aligné sur la décision et d'une

modélisation relationnelle adaptative offre une base cohérente et efficace en pratique pour la construction de portefeuilles à partir de données », indique le résumé de l'article sur arXiv.

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

Ce que cela signifie

STN-TGAT s'inscrit dans une tendance : les réseaux de neurones sur graphe gagnent la finance quantitative. Le marché y est décrit non plus comme un ensemble d'actions indépendantes, mais comme un réseau de liens qui évolue dans le temps. L'intérêt pratique n'apparaîtra que lorsque les résultats seront confirmés en dehors du préprint et sur un historique long, y compris en marché baissier.

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 au classement d'actions et à la construction de portefeuilles d'investissement. Il combine un Transformer temporel, un réseau d'attention sur graphe et un graphe a priori 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 était composé des 5 meilleurs titres parmi les 50 plus grandes entreprises de l'indice, avec répartition des poids et prise en compte des coûts de transaction.