論文の概要: Decision-Focused Learning for Mean-Variance Portfolio Optimization via KKT-Based Reformulation

• arxiv url: http://arxiv.org/abs/2609.21427v1
• Date: Fri, 18 Sep 2026 07:39:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.899922
• Title: Decision-Focused Learning for Mean-Variance Portfolio Optimization via KKT-Based Reformulation
• Title（参考訳）: KKTに基づく修正による平均変動ポートフォリオ最適化のための決定焦点学習
• Abstract要約: 平均分散ポートフォリオ最適化(MVO)は、データ駆動型の資産管理の中心的なフレームワークである。 そこで本稿では,下位レベルMVOのKarush-Kuhn-Tucker最適条件を上位レベル学習問題に組み込む単一レベル最適化法を提案する。
• 参考スコア（独自算出の注目度）: 1.8224668251608893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mean-variance portfolio optimization (MVO) is a central framework in data-driven asset management. A widely adopted approach is a two-stage framework that first predicts expected returns and then solves the optimization problem based on these predictions, with the predictive models trained by minimizing prediction errors. However, this objective of prediction is not aligned with the quality of the downstream portfolio decision. Decision-focused learning (DFL), which directly minimizes the downstream decision loss within the learning process, has thus emerged as a promising direction. However, existing DFL approaches to MVO rely on surrogate losses or constraint relaxations for tractability, creating a structural mismatch between predictive model training and the constrained MVO solved at evaluation. We propose a single-level optimization formulation that incorporates the Karush-Kuhn-Tucker (KKT) optimality conditions of the lower-level MVO into the upper-level learning problem. This formulation explicitly preserves the budget and short-sale constraints while remaining tractable for standard nonlinear optimization solvers. Rolling-window experiments on real-world ETF (Exchange Traded Funds) data across two asset universes with different correlation structures show that our method achieved the best performance on multiple investment metrics and also demonstrated performance improvement due to the proposed regularization.
• Abstract（参考訳）: 平均分散ポートフォリオ最適化(MVO)は、データ駆動型の資産管理の中心的なフレームワークである。 広く採用されているアプローチは、2段階のフレームワークで、まず予測されたリターンを予測し、これらの予測に基づいて最適化問題を解く。 しかし、この予測の目標は、下流のポートフォリオ決定の品質と一致していない。 意思決定中心学習(DFL)は、学習プロセスにおける下流の意思決定損失を直接最小化するものであり、将来性のある方向として現れている。 しかし、既存のDFLアプローチは、トラクタビリティのサロゲート損失や制約緩和に依存しており、予測モデルトレーニングと評価時に解決された制約付きMVOとの間の構造的ミスマッチを生成する。 そこで我々は,KKT(Karush-Kuhn-Tucker)最適条件を上層学習問題に組み込む単一レベル最適化法を提案する。 この定式化は、標準の非線形最適化解法に対してトラクタブルでありながら、予算とショートセール制約を明示的に保持する。 実世界のETF(Exchange Traded Funds)データにおける相関構造が異なる2つのアセット宇宙におけるローリングウインドウ実験により,本手法が複数の投資指標において最高の性能を達成し,また,提案された正規化による性能向上が示された。

関連論文リスト

• Ratio-Variance Regularized Policy Optimization [64.95520246570446]
  ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。 本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T09:53:42Z)
• Integrated Prediction and Multi-period Portfolio Optimization [29.582959310549594]
  マルチ周期ポートフォリオ最適化は、取引コスト、パス依存リスク、および取引決定の時間的構造を考慮に入れている。 本稿では,ターンオーバーペナルティを用いた多周期平均分散ポートフォリオ最適化モデルであるIPMOを紹介する。 拡張性のために,KKT(Karush-Kuhn-Tucker)システムの分解を回避したMDFP( mirror-descent fixed-point)微分方式を提案する。
  論文  参考訳（メタデータ） (2025-12-12T04:31:22Z)
• TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
  本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。 モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
  論文  参考訳（メタデータ） (2025-09-10T11:16:21Z)
• Return Prediction for Mean-Variance Portfolio Selection: How Decision-Focused Learning Shapes Forecasting Models [32.062670664184786]
  意思決定学習は、予測と最適化を統合して意思決定結果を改善する。 本研究では、DFLが平均分散最適化(MVO)における決定を最適化するために、ストックリターン予測モデルをどのように調整するかを検討する。 その結果,予測誤差が高いにもかかわらず,DFLが優れたポートフォリオ性能を実現する理由が明らかになった。
  論文  参考訳（メタデータ） (2024-09-15T10:37:11Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。