图神经网络(GNN)是机器学习领域中相对较新的发展。像传统图一样，GNN的核心原理是它们对节点之间的依赖关系进行建模。该体系结构的一个特别漂亮的功能是，与标准神经网络不同，GNN保留了一个状态，该状态可以从其邻域以任意深度表示信息。
在此基础上，彭博社最近发布了一份白皮书，该白皮书利用图神经网络构建基于供应链数据的投资组合。研究人员使用彭博的供应链数据集(包含超过100,000家公司的数据)来开发经典客户动量策略的扩展，该策略由Cohen和Frazzini于2008年提出。
由于数据集中的给定公司可能与多个公司相连，因此我们可以将整个供应链数据集视为一个庞大的图表。在此图中，每个公司将由一个节点表示，而其供应链关系将由节点之间的有向边表示。彭博社采纳了这个想法，并将其映射为可以通过GNN解决的问题。GNN的内在体系结构允许对供应链数据的传统分析可以通过多种方式进行概括。
首先，它考虑到客户公司的市值，波动性，营业额并考虑不同的回溯期，从而允许包含客户公司的更多功能。同样，GNN能够考虑来自下游客户公司的传播影响，并且还合并了其他供应链关系特征以开发最佳加权方案。
最终结果表明，图神经网络模型生成了多头-空头投资组合，证明了“ 与经典策略相比，夏普比率有所提高，并且其alpha值仍对Fama / French五因素归因稳健”。彭博社写道，这表明“将供应链数据集中的公司客户关系与图神经网络结合使用是有用的”。
展望未来，研究人员认为，通过修改底层图形结构以支持不同的边类型，可以将模型扩展为包含更多功能，例如公司的供应商和目标公司的功能。对于已经采用传统供应链模型的公司，可以使用GNN来测试供应链数据集的图形结构是否会增加模型的预测能力。