STN-TGAT：通过先验引导图注意力和可学习软阈值稀疏化构建 Top-K 投资组合

arXiv:2607.19385v1 公告类型：新 摘要：本文通过对时间动态和横截面依赖关系进行联合建模，解决了现实投资环境下的股票排名和投资组合构建问题。我们提出了软阈值 NMI 先验 Transformer 图注意网络（STN-TGAT），它将时间 Transformer 与图注意网络集成在一起，以捕获长范围序列模式和动态股票间关系。基于 NMI 的先验图与软阈值稀疏机制相结合，通过减轻噪声相关性同时保留信息连接来增强结构鲁棒性。投资组合形成过程结合了实际考虑，包括在前 50 名 S\&P$ 500 成分股中选择前 5 名、明确的权重分配和交易成本调整，从而使评估与实际交易条件保持一致。现实世界数据的实证结果表明，从预测准确性和以投资组合回报衡量的投资盈利能力来看，STN-TGAT 始终优于基准模型。这些发现表明，将决策一致的训练与自适应关系建模相结合，为数据驱动的投资组合构建提供了一个连贯且实际有效的框架。