Decision-focused Sparse Tangent Portfolio Optimization

Sintesi Tecnica: Ottimizzazione di Portafogli Tangenti Sparsi Focalizzata sulla Decisione

Definizione del Problema
L'ottimizzazione di portafogli tangenti sparsi mira a costruire portafogli interpretabili e a bassa cardinalità che massimizzino il rapporto di Sharpe (rendimento in eccesso per unità di volatilità) lungo la frontiera media-varianza. Tuttavia, questo compito affronta due sfide primarie:

1. Complessità Computazionale: Imporre un vincolo di cardinalità (limitare il numero di pesi degli asset non nulli) trasforma il problema di ottimizzazione da un compito continuo e liscio in una ricerca combinatoria NP-hard.
2. Disallineamento Predizione-Decisione: Le pipeline convenzionali "predict-then-optimize" (PFL) addestrano modelli predittivi utilizzando perdite statistiche (ad esempio, l'Errore Quadratico Medio - MSE) per prevedere i rendimenti degli asset. Questi modelli vengono poi inseriti in un ottimizzatore separato. Questo approccio non tiene conto della struttura decisionale a valle; piccoli errori di previsione possono propagarsi attraverso i passaggi discreti di selezione degli asset, portando a una significativa subottimalità nelle prestazioni finali del portafoglio, particolarmente sotto vincoli di sparsità stringenti.

Metodologia
Gli autori propongono un framework di Decision-Focused Learning (DFL) end-to-end che integra predizione, selezione degli asset e ri-ottimizzazione del portafoglio in una singola pipeline differenziabile. La metodologia centrale si basa su tre innovazioni tecniche:

1. Riformulazione Differenziabile del Rapporto di Sharpe:
   Per consentire il flusso del gradiente attraverso lo strato di ottimizzazione, gli autori riformulano il problema non convesso di massimizzazione del rapporto di Sharpe in un programma convesso conforme alla Disciplined Parametrized Programming (DPP).

   • Utilizzano una tecnica di omogeneizzazione, introducendo una variabile di scala $t$ e definendo $y = tw$.
   • Applicando la fattorizzazione di Cholesky ($\Sigma = L_\Sigma L_\Sigma^\top$) alla matrice di covarianza, trasformano il problema in una forma di Programmazione Quadrata con Vincoli Quadratici (QCQP):
     $$\max_{y,t} y^\top \mu \quad \text{s.t.} \quad \mathbf{1}^\top y = t, \quad \|L_\Sigma y\|_2 \leq 1, \quad t \geq 0$$
   • Questa formulazione soddisfa le regole DPP, permettendo l'uso di solver come CVXPYlayers per calcolare i gradienti rispetto ai rendimenti medi predetti $\hat{\mu}$.

2. Operatore Soft Top-k Differenziabile:
   Per gestire la natura discreta dei vincoli di cardinalità ($k$ asset pur mantenendo la differenziabilità, gli autori sostituiscono l'operatore hard top-k con un operatore liscio.

   • Gli asset sono classificati in base all'ampiezza dei loro pesi trasformati $|L_\Sigma^\top w|$.
   • Una maschera soft top-k viene generata utilizzando una funzione sigmoide logistica $\sigma$ con un parametro di shift apprendibile $t$. Lo shift è determinato tramite una ricerca per bisezione monodimensionale per garantire che la somma dei valori della maschera sia esattamente uguale a $k$.
   • Il passaggio all'indietro (backward pass) utilizza un prodotto vettore-Jacobiano a forma chiusa, garantendo efficienza computazionale e stabilità numerica senza formare esplicitamente grandi matrici Jacobiane.

3. Obiettivo di Addestramento End-to-End:
   Il modello predittivo è addestrato per minimizzare una perdita specifica per il compito piuttosto che una pura perdita di previsione. La funzione obiettivo combina:

   • Perdita di Regret ($L_{DFL}$): La differenza tra il rendimento del portafoglio ottimale sotto i parametri reali (ground-truth) e il rendimento ottenuto utilizzando le predizioni del modello.
   • Perdita di Predizione ($L_{MSE}$): Un termine di Errore Quadratico Medio standard per stabilizzare l'addestramento.
   • La perdita totale è una somma pesata: $L_{Task} = \alpha L_{DFL} + (1-\alpha) L_{MSE}$.

Contributi Chiave

1. Prima Applicazione del DFL ai Portafogli Tangenti Sparsi: Questo lavoro colma il divario tra decision-focused learning e ottimizzazione di portafogli sparsi, affrontando espliciti vincoli di cardinalità che le applicazioni tradizionali del DFL hanno ampiamente evitato.
2. Strato Decisionale Differenziabile: Gli autori costruiscono un nuovo strato che combina una riformulazione convessa conforme a DPP della massimizzazione del rapporto di Sharpe con un operatore top-k liscio. Ciò consente la propagazione del gradiente attraverso la predizione, la selezione discreta e la ri-ottimizzazione.
3. Validazione Empirica: Il framework è validato attraverso quattro principali mercati azionari (EuroStoxx50, FTSE100, KOSPI200, Nikkei225) con universi di asset e livelli di cardinalità variabili.

Risultati Sperimentali
Il framework DFL proposto è stato confrontato con:

• Baseline: Storico (media-varianza su dati storici) e apprendimento focalizzato sulla predizione (PFL).
• Modelli di Ottimizzazione: OSCAR (euristico), SD-relaxation (programmazione semidefinita) e mSSRM-PGA (gradiente prossimale).

Risultati:

• Prestazioni Superiori: Il framework DFL ha costantemente ottenuto rapporti di Sharpe fuori campione competitivi o superiori rispetto alle baseline PFL e Storiche.
• Scalabilità: I guadagni di prestazione sono stati più pronunciati in universi di asset più ampi (ad esempio, KOSPI200 con 162 asset e Nikkei225 con 208 asset), dove la complessità combinatoria della selezione sparsa è massima.
• Stabilità: Mentre alcune varianti PFL (specificamente SD-relaxation) hanno occasionalmente eguagliato la media delle prestazioni in mercati più piccoli, il metodo DFL ha mostrato deviazioni standard inferiori tra i diversi seed casuali, indicando una maggiore robustezza rispetto alla casualità dell'addestramento.
• Serie Temporali dei Rendimenti: I portafogli DFL hanno dimostrato rendimenti realizzati più elevati durante il periodo di test rispetto alle baseline PFL nella maggior parte dei periodi.

Significatività e Rivendicazioni
Il documento afferma che allineare l'obiettivo di apprendimento direttamente con la qualità del portafoglio a valle (prestazione corretta per il rischio) è critico per l'ottimizzazione sparsa. Interiorizzando la struttura del problema di ottimizzazione vincolato all'interno del modello predittivo, il framework mitiga il disallineamento "predict-then-optimize". Gli autori asseriscono che questo approccio è particolarmente efficace quando il problema di selezione è combinatoriamente difficile, come nel caso di grandi universi di asset e vincoli di cardinalità stringenti.

Limitazioni
Gli autori riconoscono tre limitazioni principali:

1. Sovraccarico Computazionale: Differenziare attraverso l'operatore soft top-k introduce costi computazionali che scalano con la dimensione dell'universo di asset.
2. Ambito dei Vincoli: La formulazione attuale consente la vendita allo scoperto e non incorpora vincoli pratici come posizioni long-only, limiti di leva o penalità di turnover.
3. Generalizzabilità: L'approccio è specificamente adattato all'ottimizzazione di portafogli tangenti sparsi; estenderlo ad altri obiettivi con vincoli di cardinalità e obiettivi a valle differenti richiede un adattamento non banale.