Predicción de la importancia sistémica futura relativa de instrumentos accionarios mediante redes financieras dinámicas y Graph neural networks: evidencia global y aplicación en portafolios

Abstract

La importancia sistémica futura relativa de un instrumento accionario cambia con el estado de la red y no coincide con el riesgo sistémico regulatorio, la probabilidad de crisis ni el retorno. El problema que aborda esta memoria es anticipar esa posición estructural relativa (cuartiles del strength, la conectividad ponderada agregada, en redes dinámicas de correlación absoluta) fuera de muestra en el tiempo. Se comparan GCN, GraphSAGE y GAT, cada una, con modelos clásicos de Machine Learning bajo el mismo vector tabular, con adyacencia adicional para esas arquitecturas. Sobre esa clasificación se construye un score ordinal y se examina su incorporación a portafolios que penalizan exposición sistémica relativa. El universo es el Universo Global 2015: 598 instrumentos accionarios listados en Estados Unidos. GraphSAGE es la arquitectura más consistente y se mantiene competitiva frente a los clásicos de referencia, sin evidencia suficiente de superioridad general; GCN y GAT no reproducen ese patrón. La especificación de 24 variables queda por encima de la de 47 para GraphSAGE y se adopta como base del score y de los portafolios. La señal reduce de forma detectable la exposición sistémica relativa realizada, con magnitud pequeña. En conjunto, GraphSAGE es competitivo, no muestra superioridad general y su aporte al portafolio es pequeño.