Jeon, Choi, Bae, Lee & Kim (2026) — Decision-focused Sparse Tangent Portfolio Optimization
论文信息
- 标题: Decision-focused Sparse Tangent Portfolio Optimization
- 作者: Haeun Jeon* / Seunghoon Choi* (共同一作, KAIST), Hyunglip Bae (全南国立大学), Yongjae Lee (UNIST, 通讯), Woo Chang Kim (KAIST, 通讯)
- venue: ICML 2026 (PMLR 306, Seoul)
- 本地归档:
raw/papers/202607-decision-focused-sparse-tangent-portfolio-optimization/(paper.pdf 4.5 MB, 18 页 + extracted.md) - 代码: 论文声明 publicly available
一句话
首个 DFL × 显式基数约束稀疏切点组合: DPP-compliant 凸重写 (Cholesky) + 精确保基数的软 top-k, 端到端梯度流过 预测→选择→再优化; KOSPI200/Nikkei225 (大 universe) 样本外 Sharpe 全面第一, 小 universe 与 PFL-SD-relaxation 互有胜负; 回撤更深是明确代价。
结构
- §2 相关工作 (Predict-then-Optimize / DFL / 三条稀疏化路线)
- §3 预备: 基数约束 Sharpe + OSCAR 三命题 (Decision-Focused Sparse Tangent Portfolio (决策聚焦稀疏切点组合))
- §4 方法: DPP-QCQP 重写 + 可微 Top-k 算子 (Differentiable Top-k Operator)
- §5-6 实验: 4 市场 × 3 基数档 vs Historic / PFL (OSCAR, SD-relaxation, mSSRM-PGA)
- 附录: 证明 / 设置细节 / α 敏感性 / MDD 风险分析
方法谱系
- 继承: OSCAR (Bae et al. 2025) select-and-reoptimize 骨架; Kim-Lee 2016 Sharpe 几何 (尺度不变 / 夹角序 / top-k 最优); Iyengar-Kang 2005 齐次化; CvxpyLayers (Agrawal et al. 2019)
- 前作/姊妹篇: Jeon et al. 2025 prediction-loss-guided DFL — 解释混合损失 \alpha=0.5 (决策损失 Hessian 特征值集中于 0), 并提示更优方案是梯度空间融合而非固定权重
- 与 wiki 已有页: Lee Tae Lee 2024 Anatomy of Machines for Markowitz (连续版 DFL-MVO, 同通讯作者 Yongjae Lee / 同系谱)
关键数字
- KOSPI200 ρ=20%: DFL 2.098±0.016 vs PFL-OSCAR 1.793±0.118
- Nikkei225 全档第一 (0.862/0.878/0.946)
- FTSE100 ρ=10%: PFL-SD-relax 1.073 > DFL 0.983 (但 SD-relax seed 方差大, 且 MDD/稳定性差)
- MDD: DFL 0.952 vs PFL 0.775 (KOSPI200 ρ=10%) — Sharpe 对齐 ≠ 回撤对齐
待办
- [ ] 找到代码仓库 URL 后补录
- [ ] N≥500 大 universe (A 股全市场) 复现 — 开放问题