STN-TGAT: rede neural em grafos para ranquear ações do S&P 500 e montar portfólios

Pesquisadores publicaram no arXiv, em julho de 2026, o STN-TGAT, uma rede neural que ranqueia ações do índice S&P 500 e monta um portfólio de cinco papéis. O modelo combina um Transformer temporal com uma rede de atenção em grafos (Graph Attention Network).

O nome completo é Soft-Threshold NMI-prior Transformer Graph Attention Network. A ideia é modelar ao mesmo tempo duas coisas que os modelos convencionais tratam em etapas separadas: como cada ação se comporta ao longo do tempo e como as ações se relacionam entre si.

Como o STN-TGAT funciona

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

• Arquitetura: Transformer temporal + Graph Attention Network
• O grafo prior é construído a partir da informação mútua normalizada (NMI) entre as ações
• O mecanismo de soft-threshold sparsification elimina correlações ruidosas e preserva as conexões relevantes
• O treinamento é alinhado à decisão (decision-aligned), e não apenas à previsão de preço
• Portfólio: os 5 melhores papéis dentro das 50 maiores empresas do S&P 500

O principal recurso é o "limiar suave" (soft-threshold sparsification). Ele remove do grafo as correlações aleatórias e ruidosas, mas não corta de forma brusca as conexões úteis: em vez disso, enfraquece-as gradualmente. Na avaliação dos autores, isso torna a estrutura do grafo mais robusta ao ruído do mercado.

Por que isso se aproxima mais da negociação real

O STN-TGAT é avaliado não pela precisão abstrata da previsão, mas por regras próximas às da negociação 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, justamente o que costuma corroer a rentabilidade de estratégias apenas teóricas.

Essa é uma diferença importante em relação a muitos modelos acadêmicos de ranqueamento de ações, que costumam exibir ótima precisão de previsão, mas ignoram que cada rebalanceamento do portfólio custa dinheiro. Aqui, os custos de execução entram diretamente no procedimento de formação do portfólio, e a escolha se limita a papéis líquidos dos maiores emissores do índice.

O modelo supera os benchmarks?

Segundo os autores, o STN-TGAT supera de forma consistente os modelos de referência em dois eixos ao mesmo tempo: precisão da previsão e rentabilidade do portfólio em dados reais. Ou seja, o ganho não está só em acertar melhor o movimento das cotações, mas também em o portfólio montado a partir dos sinais da rede render mais, já descontados os custos.

"A combinação de aprendizado alinhado à decisão com modelagem

relacional adaptativa oferece uma base coerente e praticamente eficaz para a construção de portfólios 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 divulgar, no resumo, os valores exatos de rentabilidade.

O que isso significa

O STN-TGAT faz parte de uma tendência em que redes neurais em grafos chegam às finanças quantitativas: o mercado deixa de ser descrito como um conjunto de ações independentes e passa a ser visto como uma rede de conexões que muda ao longo do tempo. O valor prático só aparecerá quando os resultados forem confirmados fora do preprint e em um histórico longo, incluindo períodos de mercado em queda.

Perguntas frequentes

O que é o STN-TGAT?

O STN-TGAT (Soft-Threshold NMI-prior Transformer Graph Attention Network) é um modelo de rede neural para ranquear ações e construir portfólios de investimento. Ele une um Transformer temporal, uma rede de atenção em grafos e um grafo prior baseado na informação mútua entre as ações.

Em quais dados o modelo foi testado?

O modelo foi testado com dados reais de ações do S&P 500: o portfólio foi montado com os 5 melhores papéis dentro das 50 maiores empresas do índice, com distribuição de pesos e considerando os custos de transação.