entitypaperML-for-financeMVODFL

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

大白话：这篇论文首次系统拆解「决策聚焦学习（decision-focused learning, DFL）」是如何反向调整收益预测模型的——证明 DFL 的训练梯度等于 MSE 梯度被协方差矩阵的逆矩阵倾斜，并发现 DFL 会让预测模型把精度集中到少数好资产上、放弃难预测的资产。

arXiv:2409.09684v1 · q-fin.PM · 2024 年 9 月 15 日 · 7 页 · UNIST（韩国蔚山科学技术院） 作者：Junhyeong Lee (jun.lee@unist.ac.kr), Inwoo Tae (vitainu0104@unist.ac.kr), Yongjae Lee（通讯作者, yongjaelee@unist.ac.kr）

论文定位

arXiv 的 q-fin.PM（组合管理）类目。首次系统拆解 DFL 在均值-方差优化（MVO）上「如何反向调整预测模型」——之前的研究（Butler-Kwon 2023, Costa-Iyengar 2023）只证明 DFL 能改善组合表现，未解释机制。

核心贡献

  1. 理论：证明 DFL 的训练梯度 = MSE 梯度被 \Sigma^{-1} 倾斜（式 11）
  2. 实证：10 个行业组合 + 320 节点 MLP + 5 个随机种子，验证「DFL 让好资产预测更准、坏资产放弃精度」的非对称分配（表 3）
  3. 次序 > 精度：DFL 让 \hat{\mu} 与 \mu^* 的 Pearson 相关系数上升，即使 MSE 爆炸
  4. 框架：组合损失 L_\text{Combined} = \alpha L_\text{MVO} + (1-\alpha) L_\text{MSE} 可平滑地从只用 MSE 过渡到只用 DFL，让 \alpha 成为扫描「预测精度 vs 下游决策」权衡的研究轴

实验规格

项 值
数据 Kenneth French 10 行业组合（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
划分 400 训练 / 100 验证 / 100 测试，按日滚动
损失 \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\}
种子 5（5 次取平均 + 标准差）
评价 NDQ、夏普、累计收益、\cos(w^*(\hat\mu), w^*(\mu^*))

关键数字（表 1 + 表 2 + 表 4）

表 1（NDQ / MVO 损失 / MSE 损失，测试集）：

场景 NDQ MVO 损失 MSE 损失
\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

表 2（最优组合与模型组合之间的余弦相似度）：

场景 余弦相似度（\alpha=0） 余弦相似度（\alpha=1）
\lambda=10 0.815 0.917
\lambda=1 0.252 0.433

表 4（最优基线的余弦相似度，模型 vs 真实最优）：

场景 最优基线
\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 + 图 3，不是表 3 / 表 4——表 3 是 \Sigma^{-1} 与 \hat\mu 的相关性统计，表 4 是余弦相似度。）

引用文献的关键父节点

  • Markowitz 1952 Journal of Finance 7(1) 77-91 —— MVO 原始文献
  • Michaud 1989 "The Markowitz optimization enigma" FAJ 45(1) —— 提出 Markowitz 诅咒
  • Chopra-Ziemba 1993 JPM 19(2) —— 误差敏感性
  • Donti-Amos-Kolter 2017 "Task-based end-to-end model learning" NeurIPS —— DFL 原始文献
  • Elmachtoub-Grigas 2022 "Smart Predict, then Optimize" Management Science —— SPO 损失
  • 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 综述

在本 wiki 中的位置