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

Исследователи в июле 2026 года опубликовали на arXiv модель STN-TGAT — нейросеть, которая ранжирует акции индекса S&P 500 и собирает портфель из пяти бумаг, объединяя временной Transformer с графовой сетью внимания (Graph Attention Network).

Полное название — Soft-Threshold NMI-prior Transformer Graph Attention Network. Идея в том, чтобы одновременно моделировать две вещи, которые обычные модели разводят по разным этапам: как ведёт себя каждая акция во времени и как акции связаны между собой.

Как устроена STN-TGAT

Модель STN-TGAT собрана из двух блоков: Transformer улавливает длинные последовательные паттерны в котировках, а Graph Attention Network описывает динамические связи между акциями. Поверх этого работает приорный граф на основе нормализованной взаимной информации (NMI), который подсказывает сети, какие бумаги реально связаны.

• Архитектура — временной Transformer + Graph Attention Network
• Приорный граф строится по нормализованной взаимной информации (NMI) между акциями
• Механизм soft-threshold sparsification отсекает шумные корреляции, сохраняя значимые связи
• Обучение выровнено под решение (decision-aligned), а не только под прогноз цены
• Портфель — топ-5 бумаг внутри топ-50 компаний S&P 500

Ключевой приём — «мягкий порог» (soft-threshold sparsification). Он убирает из графа случайные, шумные корреляции, но не обрубает полезные связи жёстко, а ослабляет их постепенно. По замыслу авторов, это делает структуру графа устойчивее к рыночному шуму.

Почему это ближе к реальной торговле

STN-TGAT оценивается не абстрактной точностью прогноза, а по правилам, приближенным к реальной торговле. Модель отбирает пять акций из топ-50 крупнейших компаний S&P 500, явно распределяет между ними веса и закладывает транзакционные издержки — то, что обычно съедает доходность бумажных стратегий.

Это важное отличие от многих академических моделей ранжирования акций: они часто показывают красивую точность предсказания, но игнорируют, что каждая перебалансировка портфеля стоит денег. Здесь издержки на сделки заложены прямо в процедуру формирования портфеля, а выбор ограничен ликвидными бумагами крупнейших эмитентов индекса.

Обгоняет ли модель бенчмарки?

STN-TGAT, по данным авторов, стабильно обходит эталонные модели сразу по двум осям — точности прогноза и доходности портфеля на реальных данных. То есть выигрыш не только в том, что сеть точнее угадывает движение котировок, но и в том, что собранный из её сигналов портфель приносит больше с учётом издержек.

«Сочетание обучения, выровненного под решение, с адаптивным

реляционным моделированием даёт связную и практически эффективную основу для построения портфеля на данных», — говорится в аннотации работы на arXiv.

Само число проверяемых утверждений здесь ограничено: это препринт (announce type: new), ещё не прошедший рецензирование, и авторы приводят сравнение с бенчмарками без раскрытия точных значений доходности в аннотации.

Что это значит

STN-TGAT — часть тренда, где графовые нейросети заходят в количественные финансы: рынок описывают не набором независимых акций, а сетью связей, меняющейся во времени. Практическая ценность появится, когда результаты подтвердят вне препринта и на длинной истории, включая падающие рынки.

Частые вопросы

Что такое STN-TGAT?

STN-TGAT (Soft-Threshold NMI-prior Transformer Graph Attention Network) — это нейросетевая модель для ранжирования акций и построения инвестпортфеля. Она объединяет временной Transformer, графовую сеть внимания и приорный граф на основе взаимной информации между акциями.

На каких данных тестировали модель?

Модель тестировали на реальных данных по акциям S&P 500: портфель собирался из топ-5 бумаг внутри топ-50 крупнейших компаний индекса, с распределением весов и учётом транзакционных издержек.