entitypaperML-for-financeMVODFL

Lee, Tae & Lee (2024) — Anatomy of Machines for Markowitz: Decision-Focused Learning for Mean-Variance Portfolio Optimization

arXiv:2409.09684v1 · q-fin.PM · 15 Sep 2024 · 7 页 · UNIST (韩国蔚山科学技术院) Authors: Junhyeong Lee (jun.lee@unist.ac.kr), Inwoo Tae (vitainu0104@unist.ac.kr), Yongjae Lee (通讯, yongjaelee@unist.ac.kr)

论文定位

arXiv q-fin.PM (Portfolio Management) 类目。首次系统拆解 DFL 在 MVO 上"如何反向调整预测模型" — 之前研究 (Butler-Kwon 2023, Costa-Iyengar 2023) 只证明 DFL 能改善组合性能, 未解释机制。

核心贡献

  1. 理论: 证明 DFL 训练梯度 = MSE 梯度被 \Sigma^{-1} 倾斜 (Eq. 11)
  2. 实证: 10 行业 portfolio + MLP 320 节点 + 5 random seeds, 验证 "DFL 让好资产预测更准, 坏资产放弃精度" 的非对称分配 (Table 3)
  3. 次序 > 精度: DFL 让 \hat{\mu} 与 \mu^* 的 Pearson 相关上升, 即使 MSE 爆炸
  4. 框架: Combined loss L_\text{Combined} = \alpha L_\text{MVO} + (1-\alpha) L_\text{MSE} 可平滑从 MSE-only 过渡到 DFL-only, 让 \alpha 成为研究决策 - 预测 trade-off 的扫描轴

实验规格

项 值
数据 Kenneth French 10 行业 portfolio (mba.tuck.dartmouth.edu/pages/faculty/ken.french/)
区间 2019-01-01 至 2024-01-01, 日频
输入特征 30 日滚动收益
模型 MLP, 2 层, 320 节点
Split 400 train / 100 val / 100 test, 日度滚动
Loss \alpha L_\text{MVO} + (1-\alpha) L_\text{MSE}, \alpha \in \{0, 0.25, 0.5, 0.75, 1\}, \lambda \in \{1, 3, 5, 10\}
Seeds 5 (5 次平均 + std)
评价 NDQ, Sharpe, cumulative return, \cos(w^*(\hat\mu), w^*(\mu^*))

关键数字 (Table 1 + Table 2 + Table 4)

Table 1 (NDQ / MVO Loss / MSE Loss, Test set):

场景 NDQ MVO Loss MSE Loss
\lambda=10, \alpha=0 0.890 0.0089 0.0015
\lambda=10, \alpha=1 0.947 0.0033 0.0155
\lambda=1, \alpha=0 0.218 0.0167 0.0015
\lambda=1, \alpha=1 0.607 0.0083 0.9889

Table 2 (Cosine similarity between optimal and model portfolios):

场景 Cosine (\alpha=0) Cosine (\alpha=1)
\lambda=10 0.815 0.917
\lambda=1 0.252 0.433

Table 4 (Optimal baseline cosine, 模型 vs 真实最优):

场景 Optimal baseline
\lambda=10 0.971
\lambda=1 0.551

("好资产 vs 坏资产"非对称精度分配的实证依据来自 §5.5 正文 + Figure 3, 不是 Table 3 / Table 4 — Table 3 是 \Sigma^{-1} 与 \hat\mu 的相关性统计, Table 4 是 cosine similarity。)

引用文献的关键父节点

  • Markowitz 1952 Journal of Finance 7(1) 77-91 — MVO 原始
  • Michaud 1989 "The Markowitz optimization enigma" FAJ 45(1) — Markowitz Curse 提出
  • Chopra-Ziemba 1993 JPM 19(2) — 误差 sensitivity
  • Donti-Amos-Kolter 2017 "Task-based end-to-end model learning" NeurIPS — DFL 原始
  • Elmachtoub-Grigas 2022 "Smart Predict, then Optimize" Management Science — SPO loss
  • Costa-Iyengar 2023 "Distributionally robust end-to-end portfolio construction" QF 23(10) — DRO + DFL
  • Agrawal-Amos-Barratt-Boyd-Diamond-Kolter 2019 "Differentiable convex optimization layers" NeurIPS — OptNet / CvxpyLayers
  • Mandi et al. 2023 arXiv:2307.13565 — DFL survey

wiki 中的位置