Decision-Focused Sparse Tangent Portfolio (决策聚焦稀疏切点组合)

Jeon, Choi, Bae, Lee & Kim (2026), ICML (PMLR 306); arXiv 2607.00581 — 首个把 DFL 做到显式基数约束稀疏切点组合的工作

问题

\max_{w\in\mathbb R^n} \frac{w^\top\mu}{\sqrt{w^\top\Sigma w}} \quad \text{s.t.} \quad \mathrm{Card}(w)\le k

基数约束把连续优化变成组合搜索 (NP-hard)。三条已有路线: 正则化松弛 (\ell_1 族) / 精确分支切割 / 启发式。OSCAR (Bae et al. 2025) 是启发式代表: 优化切点 → 按 |L_\Sigma^\top\hat w| 选 top-k → 支持集上再优化。

三个几何命题 (Kim-Lee 2016 / OSCAR) 支撑这个选择准则:

• 尺度不变 (Prop 3.1): Sharpe 与 |w| 无关 → 预算约束可去;
• 夹角序 (Prop 3.2): Sharpe 大 ⇔ 与市场切点组合 \hat w 夹角小 (Cholesky 空间中度量);
• top-k 最优 (Prop 3.3): 最优 k-子集 = |L_\Sigma^\top\hat w| 的 k 个最大分量。

端到端管线 (本文贡献)

flowchart LR
    X[过去 100 日收益窗口] --> F[MLP f_theta]
    F --> Mu["预测 mu-hat"]
    Mu --> O1["DPP-QCQP 优化<br/>求切点 w-hat"]
    O1 --> S["打分 x = |L_Sigma^T w-hat|"]
    S --> K["软 top-k 掩码 p"]
    K --> M[支持集约束]
    M --> O2["再优化 w*(mu-hat)"]
    O2 --> L["Task Loss<br/>= Regret + alpha*MSE"]
    L -. 反向梯度流经全链 .-> F

两个可微化关键:

1. DPP-compliant 凸重写: 齐次化 y = tw 消分式 → 凸 QCQP; 但 \Sigma 在非线性项 \sqrt{y^\top\Sigma y} 内违反 DPP (要求参数仿射进入)。Cholesky 分解 \Sigma = L_\Sigma L_\Sigma^\top 后以 L_\Sigma^\top y 仿射进入 → CvxpyLayers 可微。
2. 软 top-k 替换硬选择: 见 可微 Top-k 算子 (Differentiable Top-k Operator) — sigmoid-shift + 一维二分, 精确保持 \sum_i p_i = k, VJP 闭式。

训练目标

L_\text{Task} = \underbrace{-\mathrm{SR}\big(w^*(\hat\mu),\, \mu^*\big)}_{\text{决策项 (regret 式)}} + \alpha \cdot L_\text{MSE}(\hat\mu, \mu^*)

\alpha=0.5 默认。动机: 纯决策损失 Hessian 特征值集中于 0 附近 (landscape 平坦), MSE 补曲率与梯度信号 (Jeon et al. 2025)。\alpha 敏感性 (EuroStoxx50): 0→0.9 平均 Sharpe 上升, 但 seed 方差同步放大; \alpha=1.0 在 ρ=15/20% 反而不稳。

协方差滚动窗口估计 + λ=0.1 对角收缩, 外生于 θ (不被学习) — 防止噪声预测污染风险约束。

实证规律

4 市场 (EuroStoxx50 N=47 / FTSE100 93 / KOSPI200 162 / Nikkei225 208), ρ∈{10%,15%,20%}, 5 seeds, 样本外 Sharpe:

• Universe 越大, DFL 优势越大 (KOSPI200 / Nikkei225 全面第一); 小市场 PFL-SD-relaxation 平均偶尔反超, 但 seed 方差显著更大。
• Historic 全线垫底; k 越松 (ρ 大) DFL 相对越强 — 分配空间大时, 对齐过的 \hat\mu 更有用。
• MDD caveat: DFL 回撤普遍更深 (KOSPI200 ρ=10%: 0.952 vs PFL 0.775) — 做空放开 + 单一 Sharpe 目标的代价。

与 wiki 对位

• Decision-Focused Learning for MVO: 连续无约束版本, "\Sigma^{-1} 倾斜梯度" 解释了 DFL 为什么重排次序; 本文把它推到基数约束 + 真可微层 (CvxpyLayers vs 链式法则), 且实证 N 到 208 (前文 N=10 的可扩展性担忧部分缓解; N≈500 仍开放)。
• Predict-then-Optimize: PFL 的 misalignment 在稀疏选择环节被放大 — 小预测误差经离散选择级联成大的效用损失。
• Prediction-Loss Guided DFL (预测损失引导的决策聚焦学习): 本文混合损失的 algebraic 前作; 其 portfolio 设定中 PFL ≤ DFL 的 nuance 对照本文稀疏设定 DFL 明显胜 — DFL 收益取决于决策层对预测误差的放大结构。
• Markowitz Curse (马科维茨诅咒): 基数约束本身是对 \Sigma 病态的一种结构防御; 本文显示学习信号可以绕过而不是解决它。
• Bures–Wasserstein 协方差预测 (BW Covariance Forecasting): 本文 Σ 外生滚动估计; 预测式 Σ (RFM) 与之互补。

局限与开放问题

• soft top-k 开销随 n, k 增长; N≈500+ 未测。
• 无 long-only / 杠杆 / 换手约束 — A 股落地必须先解这些。
• 仅切点目标; CVaR / 回撤类基数约束目标推广 nontrivial。