decision-focused-learningsparse-portfoliosharpe-ratiocardinality-constraintdifferentiable-optimizationtop-ksummary

Decision-focused Sparse Tangent Portfolio Optimization — 中文摘要

Jeon, H.* / Choi, S.* (共同一作), Bae, H., Lee, Y. & Kim, W. C. (KAIST / 全南国立大学 / UNIST), ICML 2026 (PMLR 306, Seoul); arXiv 2607.00581 本次归档: raw/papers/202607-decision-focused-sparse-tangent-portfolio-optimization/ (paper.pdf 4.5 MB, 18 页 + extracted.md, 2026-09-20)

一句话核心

把"选资产 + 配权重"整条稀疏化管线变成可微层, 让预测模型直接对基数约束下的 Sharpe ratio 负责: Sharpe 最大化经齐次化 + Cholesky 改写成 DPP-compliant 凸 QCQP, 离散 top-k 选择换成精确保基数的 sigmoid-shift 软算子, 梯度端到端流过 预测 → 优化 → 打分 → 软选择 → 再优化。

问题与关键结构

sparse tangent portfolio: \max_w w^\top\mu/\sqrt{w^\top\Sigma w} s.t. \mathrm{Card}(w)\le k — NP-hard。论文继承 OSCAR (Bae et al. 2025) 的三个几何事实:

  • Prop 3.1 Sharpe 对 w 尺度不变 → 预算约束 \mathbf 1^\top w = 1 可删;
  • Prop 3.2 组合间 Sharpe 比较等价于与切点组合 \hat w 的夹角比较 (在 Cholesky 空间中度量);
  • Prop 3.3 最优 k-子集 = |L_\Sigma^\top\hat w| 的 top-k 分量 → OSCAR "优化 → 打分选择 → 再优化" 三段启发式。

可微化改造 (方法核心)

  1. DPP 凸重写: 齐次化 y=tw (Iyengar-Kang 2005) 把分式目标变凸 QCQP; 但 \Sigma 出现在非线性项内违反 DPP (要求参数仿射进入), Cholesky 分解 \Sigma = L_\Sigma L_\Sigma^\top 后参数仿射进入 → CvxpyLayers 可微。
  2. 软 top-k: 硬 top-k 不连续; 换成 sigmoid-shift 算子 — 找 t 使 \sum_i \sigma(\beta(x_i+t)) = k (一维二分), Jacobian 为对角减秩一, VJP 闭式复用前向 t, 精确保持基数 \sum_i p_i = k (详见 可微 Top-k 算子 (Differentiable Top-k Operator))。
  3. 混合损失: L_\text{Task} = \alpha L_\text{DFL} + (1-\alpha)L_\text{MSE}, 默认 \alpha = 0.5 — 纯决策损失 landscape 平坦 (Hessian 特征值集中于 0 附近, 见姊妹篇 Jeon et al. 2025), MSE 项补梯度信号。

协方差用滚动窗口估计 (λ=0.1 对角收缩), 外生于预测模型 — 避免把噪声预测喂进风险约束。

实验 (4 市场, 2016-01 ~ 2025-12 Yahoo 日线)

EuroStoxx50 (N=47) / FTSE100 (93) / KOSPI200 (162) / Nikkei225 (208); 100 日 lookback, MLP 512-256, 80/20 时序切, 5 seeds, \rho\in\{10\%,15\%,20\%\}。基线: Historic / PFL (配 OSCAR, SD-relaxation, mSSRM-PGA 三种优化器)。

  • 大 universe 增益最大: KOSPI200 ρ=20% DFL 2.098 vs PFL 最优 1.793 (mSSRM-PGA); Nikkei225 三档全部 DFL 第一 (0.862/0.878/0.946)。
  • 小 universe 有例外: EuroStoxx50/FTSE100 的 PFL-SD-relaxation 平均略高 (FTSE ρ=10%: 1.073 vs 0.983), 但 seed 间方差大, DFL 更稳。
  • Historic 几乎全线垫底（仅少数档位 OSCAR 略低）→ 纯后视估计不够; \rho 越大 (k 越松) DFL 相对越强。

重要 caveat: Sharpe 高 ≠ 回撤浅

附录 C.2: DFL 组合 MDD 普遍更深 (KOSPI200 ρ=10%: 0.952 vs PFL 0.775) — 允许做空 + 目标只对齐 Sharpe, 学出更激进的多空结构。读本文数字必须带着这一条。

局限 (论文自认)

(1) soft top-k 随 universe / k 增大计算开销增长; (2) 无 long-only / 杠杆 / 换手约束; (3) 仅限切点组合, 推广到其他基数约束目标 nontrivial。

wiki 对位