STN-TGAT: 事前誘導グラフアテンションと学習可能なソフトしきい値スパーシフィケーションによるトップKポートフォリオ構築

近年、量的投資の分野では、ディープラーニングを用いた株式予測とポートフォリオ構築の研究が盛んに行われています。しかし、既存手法の多くは時系列予測のみ、あるいは銘柄間の静的な関係のみを扱っており、市場の時間的動態と断面依存性を同時に捉えることができていません。この課題に対して、Haoran Guo氏らがarXivで発表した論文「STN-TGAT: Top-K Portfolio Construction via Prior-Guided Graph Attention with Learnable Soft-Threshold Sparsification」は、現実的な投資環境下で効果的な株式ランキングとポートフォリオ最適化を実現する新しいフレームワークを提案しています。

本論文の核となる貢献は、Soft-Threshold NMI-prior Transformer Graph Attention Network（STN-TGAT）の提案です。このモデルは、時間的Transformerとグラフアテンションネットワーク（GAT）を巧みに統合しています。時間的Transformerは過去の価格系列から長期的なトレンドや周期性パターンを抽出し、GATは注意機構を通じて銘柄間の動的な関係性を学習します。さらに、正規化相互情報量（NMI）に基づく事前グラフを導入することで、非線形な依存関係も捉えられるようにしています。また、学習可能なソフトしきい値スパーシフィケーション機構により、ノイズの多い相関を抑制しつつ、有益な情報を持つエッジを保持することで、スパース性と情報量のバランスを実現しています。

ポートフォリオ構築プロセスでは、実際の取引条件を反映するため、S&P500構成銘柄の上位50銘柄からトップ5を選択し、予測スコアに基づいてウェイトを配分します。さらに、取引コストを明示的に考慮することで、バックテスト結果が実取引に近いものとなっています。このエンドツーエンドの設計により、モデルは予測精度だけでなく、ポートフォリオの収益性を直接最適化することが可能です。

実験は実市場データを用いて行われ、複数年にわたる株価収益率や取引量などが使用されました。比較対象として、伝統的なファクターモデル、LSTM、Transformer、基本GATなどが用いられました。結果は、STN-TGATが予測精度（IC、RankIC）およびポートフォリオ収益（年率リターン、シャープレシオ）の両面で、すべてのベースラインを一貫して上回ることを示しました。著者らは、この成功の鍵は、意思決定と整合した訓練（ポートフォリオ収益の直接最適化）と適応的な関係性モデリングの組み合わせにあると結論付けています。

総じて、STN-TGATモデルは、時系列モデリングとグラフ学習を融合し、事前知識とスパーシフィケーション機構を導入することで、量的投資の分野に大きな可能性を示しています。先端AI技術を金融実務に応用しようとする実務家や研究者にとって、本論文は貴重な知見と実証的根拠を提供するものと言えるでしょう。