Come le catene di fornitura possono prevedere il futuro dei titoli?

Immagina di poter leggere il futuro di un'azione non solo guardando il suo grafico, ma anche osservando chi le fornisce i componenti e a chi li vende. È proprio quello che fa il nuovo modello Full‑State Graph Convolutional LSTM (FS‑GCLSTM).

In pratica, gli scienziati hanno trasformato le relazioni tra le aziende – fornitori, clienti, partner – in una rete, dove ogni nodo è una società e ogni arco è un legame commerciale. Poi hanno inserito questa rete dentro un algoritmo LSTM, una tipologia di intelligenza artificiale brava a capire sequenze temporali, come i prezzi delle azioni.

La novità è che il modello non usa la rete solo una volta, ma la “convoluziona” in tutti i passaggi dell'LSTM: input, stato nascosto e stato di cella. Così, le informazioni sulla catena di fornitura influenzano ogni aggiornamento del modello, rendendo la previsione più consapevole del contesto reale.

Testato su due grandi indici – Eurostoxx 600 e S&P 500 – il FS‑GCLSTM non è sempre il più preciso in termini di errore medio, ma batte gli altri modelli quando si tratta di performance di portafoglio: rende più alto il ritorno annuale e migliora gli indicatori di rischio‑rendimento (Sharpe e Sortino). I guadagni sono più evidenti in mercati con reti più dense, come l'Eurostoxx 600, e il modello resta stabile anche cambiando la lunghezza delle sequenze di input.

In sostanza, integrare i dati delle catene di valore con le reti neurali temporali apre una nuova strada per capire come le aziende si influenzano a vicenda e, di conseguenza, come i loro titoli si muovono.

Il FS‑GCLSTM combina due architetture avanzate: le Graph Convolutional Networks (GCN) e le Long Short‑Term Memory (LSTM). Le GCN operano su grafi, propagando informazioni da un nodo ai suoi vicini tramite una matrice di adiacenza normalizzata  = D^(-1/2) (A + I) D^(-1/2), dove D è la matrice dei gradi e I l'identità, garantendo stabilità numerica. In FS‑GCLSTM, questa operazione è applicata non solo all'input X_t, ma anche allo stato nascosto h_{t‑1} e allo stato di cella c_{t‑1}. Il risultato è una serie di aggiornamenti:
\[\tilde{X}_t = \sigma(\text{GCN}(X_t)),\]
\[\tilde{h}_{t‑1} = \sigma(\text{GCN}(h_{t‑1})),\]
\[\tilde{c}_{t‑1} = \sigma(\text{GCN}(c_{t‑1})).\]
Questi termini convoluzionati alimentano le porte dell'LSTM (input, forget, output) con informazioni spaziali, consentendo al modello di catturare dipendenze temporali e topologiche simultaneamente.

Dal punto di vista dei dati, la rete di valore‑catena è costruita usando relazioni B2B fornite da LSEG, che includono volumi di transazione, frequenza di scambio e settore industriale. Le feature di ogni nodo comprendono prezzi storici, volatilità, e indicatori fondamentali (P/E, ROE). La normalizzazione delle feature è cruciale per evitare che variabili con scala diversa dominino la propagazione del segnale.

L'addestramento avviene con una loss basata sul Mean Squared Error (MSE) tra il ritorno previsto e quello reale, ma la valutazione finale utilizza metriche di performance di portafoglio: ritorno annualizzato, Sharpe ratio (μ/σ) e Sortino ratio (μ/σ_down). I risultati mostrano che, nonostante un MSE leggermente superiore rispetto a modelli LSTM puri, il FS‑GCLSTM genera portafogli più robusti, grazie alla capacità di anticipare shock di supply‑chain che altrimenti rimarrebbero invisibili ai modelli basati solo su serie temporali.

Un'analisi di sensitività ha evidenziato che la densità del grafo (numero medio di collegamenti per nodo) influisce direttamente sulla capacità predittiva: grafi più densi forniscono più segnali di propagazione, migliorando la capacità del modello di generalizzare. Inoltre, test di robustezza con sequenze di input di lunghezze variabili (da 10 a 60 giorni) hanno confermato la stabilità del modello, con variazioni di performance inferiori al 3%. Questo suggerisce che l'integrazione di dati di catena di valore con architetture temporali grafiche rappresenti una direzione promettente per la finanza computazionale.