PHƯƠNG PHÁP DỰ BÁO SAU ĐÓ TỐI ƯU CHO VIỆC LỰA CHỌN DANH MỤC ĐẦU TƯ

Tóm tắt

Nhiều vấn đề phân tích tài chính trong thế giới thực liên quan đến hai nhiệm vụ đầy thách thức và phức tạp: dự đoán và tối ưu hóa, dẫn đến mô hình tiêu chuẩn là dự đoán-sau đó-tối ưu hóa. Thông thường, hai tác vụ này chạy riêng biệt, có nghĩa là các mô hình học máy cố gắng giảm thiểu lỗi dự đoán và không xem xét các dự đoán đó sẽ được sử dụng như thế nào cho bài toán tối ưu hóa hạ lưu. Để giải quyết vấn đề này, trong bài báo này, chúng tôi giới thiệu khuôn khổ "Dự đoán sau đó tối ưu hóa" (SPO) thông minh thúc đẩy cấu trúc tối ưu hóa để thiết kế mô hình dự đoán tốt hơn. Hơn nữa, đối với cấu trúc tối ưu hóa, chúng tôi áp dụng tối ưu hóa hạn chế cơ hội mạnh mẽ phân tán trên các tập mơ hồ Wasserstein để xác định giải pháp khả thi trên tập hợp các ràng buộc conic. Chúng tôi đào tạo mô hình của mình theo các phương pháp dưới cấp. Cuối cùng, chúng tôi đánh giá cách tiếp cận của mình với tổn thất bình phương ít nhất để so sánh hiệu suất giữa chúng.

Title

A PREDICT-THEN-OPTIMIZE APPROACH FOR PORTFOLIO SELECTION

Abstract

Many real-world financial analytic problems involve two challenged and complexed tasks: predict and optimization, which leads to the standard paradigm is predict-then-optimize. Typically, these two tasks run separately which means that the machine learning models try to minimize the prediction error and do not consider how such predictions will be used for the downstream optimization problem. To tackle it, in this paper we introduce the Smart "Predict then Optimize" (SPO) framework which leverages the optimization structure for designing a better prediction model. Moreover, for the optimization structure, we apply Distributionally robust chance constrained optimization over Wasserstein ambiguity sets to define the feasible solution on a set of conic constraints. We train our model under subgradient methods. Finally, we evaluate our approach with least square loss to compare the performance between them.