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

Como a STN-TGAT é construída

O modelo STN-TGAT é composto por dois blocos: um Transformer captura padrões sequenciais longos nas cotações, enquanto uma Graph Attention Network descreve as relações dinâmicas entre as ações. Sobre isso atua um grafo prévio (prior) baseado em informação mútua normalizada (NMI), que indica à rede quais ações estão realmente relacionadas.

• Arquitetura — Transformer temporal + Graph Attention Network
• O grafo prévio é construído a partir da informação mútua normalizada (NMI) entre as ações
• O mecanismo de soft-threshold sparsification elimina correlações ruidosas preservando os vínculos relevantes
• O treinamento é alinhado à decisão (decision-aligned), não apenas à previsão de preço
• A carteira é composta pelas 5 principais ações dentro das 50 maiores empresas do S&P 500

A técnica-chave é o "limiar suave" (soft-threshold sparsification). Ela remove do grafo correlações aleatórias e ruidosas, mas não corta as conexões úteis de forma abrupta — em vez disso, as enfraquece gradualmente. Segundo os autores, isso torna a estrutura do grafo mais resistente ao ruído de mercado.

Por que isso está mais próximo do trading real

A STN-TGAT é avaliada não pela precisão abstrata da previsão, mas por regras próximas do trading real. O modelo seleciona cinco ações entre as 50 maiores empresas do S&P 500, distribui explicitamente os pesos entre elas e incorpora os custos de transação — o que normalmente consome a rentabilidade das estratégias no papel.

Essa é uma diferença importante em relação a muitos modelos acadêmicos de ranqueamento de ações: eles costumam mostrar uma precisão de previsão atraente, mas ignoram que cada rebalanceamento da carteira custa dinheiro. Aqui, os custos das operações estão embutidos diretamente no processo de montagem da carteira, e a seleção fica restrita a ações líquidas dos maiores emissores do índice.

O modelo supera os benchmarks?

Segundo os autores, a STN-TGAT supera de forma consistente os modelos de referência em dois eixos ao mesmo tempo — precisão de previsão e rentabilidade da carteira com dados reais. Ou seja, o ganho não está apenas no fato de a rede prever com mais precisão o movimento das cotações, mas também no fato de a carteira montada a partir de seus sinais render mais mesmo descontando os custos.

"A combinação de um treinamento alinhado à decisão com uma modelagem

relacional adaptativa oferece uma base coerente e praticamente eficaz para a construção de carteiras orientada por dados", diz o resumo do trabalho no arXiv.

O número de afirmações verificáveis aqui é limitado: trata-se de um preprint (announce type: new) que ainda não passou por revisão por pares, e os autores apresentam a comparação com os benchmarks sem revelar os valores exatos de rentabilidade no resumo.

O que isso significa

A STN-TGAT faz parte de uma tendência em que as redes neurais de grafos entram nas finanças quantitativas: o mercado é descrito não como um conjunto de ações independentes, mas como uma rede de relações que muda ao longo do tempo. O valor prático vai aparecer quando os resultados forem confirmados fora do preprint e ao longo de um histórico mais longo, incluindo mercados em queda.

Perguntas frequentes

O que é a STN-TGAT?

STN-TGAT (Soft-Threshold NMI-prior Transformer Graph Attention Network) é um modelo de rede neural para ranquear ações e construir uma carteira de investimentos. Ela combina um Transformer temporal, uma rede de atenção em grafos e um grafo prévio baseado na informação mútua entre as ações.

Com quais dados o modelo foi testado?

O modelo foi testado com dados reais de ações do S&P 500: a carteira foi montada com as 5 principais ações dentro das 50 maiores empresas do índice, com distribuição de pesos e considerando os custos de transação.