The paper develops and empirically evaluates a portfolio optimization approach based on graph neural networks with an attention mechanism (Graph Attention Network, GAT), combined with a preliminary structural filtering of the asset universe using the Maximum Independent Set (MIS) and an adaptive correlation threshold. In addition, the study provides a concise analysis of of the Russian equity market graph characteristics and the dynamics of maximum independent sets. The empirical dataset consists of liquid Russian equities traded on the MOEX over the period 2020–2025, covering both calm regimes and stress episodes accompanied by structural breaks. The proposed method is compared with the market index, classical portfolio strategies, a multilayer perceptron, and a graph‑based model without MIS filtering within a walk‑forward time‑series validation scheme. The results show that incorporating MIS with an adaptive threshold leads to substantial improvements across all key metrics relative to the baseline GAT model without filtering: on average, final portfolio value increases by about 56%, the Sharpe ratio by about 157%, the maximum drawdown in absolute value decreases by 35%, and the average within‑portfolio correlation falls by 43%. The performance gain is particularly pronounced in down‑market phases, when the baseline GAT yields negative returns. An entropy‑based analysis of the attention coefficients indicates that MIS filtering makes the model’s attention more concentrated, reallocating it towards a small number of structurally important edges and reducing the impact of noisy connections.
Статья посвящена разработке и эмпирической проверке подхода к управлению инвестиционным портфелем на основе графовых нейронных сетей c механизмом внимания (Graph attention network, GAT) с предварительной структурной фильтрацией множества активов с использованием максимального независимого множества (Maximum Independent Set, MIS) и адаптивного порога корреляции. Помимо этого, работа содержит краткий анализ графовых характеристик российского рынка и динамики максимальных независимых множеств. Эмпирическая база исследования включает данные по ликвидным акциям российского фондового рынка за период 2020–2025 годов, охватывающий как относительно спокойные режимы, так и стрессовые эпизоды и структурные сдвиги. Предлагаемый метод сравнивается с рыночным индексом, классическими портфельными стратегиями, многослойным персептроном и графовой моделью без MIS‑фильтрации с использованием walk‑forward оптимизации. Результаты показывают, что включение MIS с адаптивным порогом приводит к заметному улучшению по всем ключевым метрикам относительно базовой GAT‑модели без фильтрации. Итоговый капитал в среднем возрастает примерно на 56 %, коэффициент Шарпа – примерно на 157 %, максимальная просадка по модулю уменьшается на 35 %, а средняя внутрипортфельная корреляция снижается на 43 %. При этом на падающем рынке, когда базовый GAT даёт отрицательную доходность, выигрыш стратегии особенно заметен. Анализ энтропии коэффициентов внимания свидетельствует о том, что MIS‑фильтрация делает внимание модели более сконцентрированным, перераспределяя его в пользу малого числа структурно значимых рёбер и снижая влияние шумовых связей.
[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]