Naukowcy z branży uczenia maszynowego opracowali algorytm STN-TGAT, który łączy transformery czasowe z grafowymi sieciami uwagi do przewidywania cen akcji i budowania optymalnych portfeli inwestycyjnych. Model wzbogacony o prior grafowy oparty na informacji wzajemnej oraz mechanizm adaptacyjnej sparsyfikacji z miękkim progowaniem lepiej identyfikuje prawdziwe związki między akcjami, odfiltrując szumowe korelacje.
System testowano na rzeczywistych danych rynkowych z S&P 500, gdzie zadaniem było wybranie pięciu akcji do portfela z pośród pięćdziesięciu najlepszych kandydatów. Autorzy uwzględnili praktyczne aspekty handlu, takie jak koszty transakcji i konkretne wagi alokacji kapitału, co zbliża model do rzeczywistych warunków na rynku finansowym. STN-TGAT konsekwentnie przewyższał modele porównawcze zarówno w dokładności prognoz, jak i w rzeczywistych zwrotach portfela.
Nowe podejście łączy trenowanie algorytmu bezpośrednio pod kątem celów inwestycyjnych z adaptacyjnym modelowaniem relacji między aktywami. To połączenie oferuje praktyczną ramę dla opartych na danych systemów wspomagających decyzje portfelowe, potencjalnie przydatną dla zarządzających funduszami i algorytmicznych systemów tradingowych.