Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization

Sintesi Tecnica: Apprendimento di Insiemi di Ambiguità Predittiva per l'Ottimizzazione Robusta Focalizzata sulla Decisione

1. Definizione del Problema

I sistemi standard di tipo "predict-then-optimize" (predici-e-ottimizza) comprimono l'incertezza in una singola previsione puntuale (ad esempio, un rendimento medio) e risolvono un problema di ottimizzazione a valle come se tale previsione fosse la verità fondamentale. Questo approccio è fragile; piccoli errori di previsione possono portare a grandi perdite decisionali, in particolare quando l'ottimizzatore amplifica gli errori lungo i vincoli attivi o le direzioni ad alta sensibilità.

L'Ottimizzazione Robusta Distribuita (DRO) affronta questo problema ottimizzando rispetto alla peggiore distribuzione all'interno di un insieme di ambiguità. Tuttavia, la tradizionale Wasserstein DRO si basa su insiemi di ambiguità progettati manualmente, dove il centro è una distribuzione empirica storica fissa e il raggio è uno scalare globale sintonizzato tramite validazione. Questo approccio statico è spesso non coordinato con gli ambienti contestuali: un raggio sicuro durante i periodi di volatilità può essere eccessivamente conservativo durante i periodi stabili, mentre un raggio sintonizzato sulle prestazioni medie può fallire durante i cambiamenti di regime. Il problema centrale è come rendere l'insieme di ambiguità esso stesso contestuale e apprendibile, adattandosi allo stato specifico del sistema per bilanciare robustezza e prestazioni.

2. Metodologia: Insiemi di Ambiguità Predittiva Appresi (LPAS)

Il documento propone gli Insiemi di Ambiguità Predittiva Appresi (LPAS), un framework che unisce la previsione probabilistica profonda alla Wasserstein DRO. Invece di un centro e un raggio fissi, LPAS impiega un modello contestuale profondo che restituisce tre componenti per un dato contesto $z_t$:

1. Una Distribuzione di Scenari Nominale Finita: $\hat{P}_\theta(\cdot | z_t) = \sum_{i=1}^N p_{\theta,i}(z_t) \delta_{\hat{\xi}_{\theta,i}(z_t)}$, che rappresenta un insieme discreto di scenari previsti.
2. Un Raggio Dipendente dallo Stato: $\rho_\phi(z_t)$, uno scalare non negativo che definisce la dimensione della palla di Wasserstein.
3. (Opzionale) Una Metrica di Base Anisotropa: $c_\psi(\xi, \xi'; z_t)$, sebbene gli esperimenti utilizzino una metrica euclidea fissa.

Questi output definiscono un insieme di ambiguità contestuale $\mathcal{P}_{\theta,\phi}(z_t) = \{ Q : W_c(Q, \hat{P}_\theta(\cdot | z_t)) \leq \rho_\phi(z_t) \}$. La decisione a valle $x_t$ è calcolata minimizzando la peggiore attesa della perdita su questo insieme.

Obiettivo di Addestramento e Algoritmo
Il modello viene addestrato end-to-end utilizzando una funzione obiettivo composita che bilancia quattro termini:

• Perdita Decisionale ($L_{dec}$): La perdita realizzata della decisione robusta a valle.
• Perdita di Previsione ($L_{pred}$): Addestra la distribuzione degli scenari nominali (ad esempio, tramite log-likelihood negativa o ricostruzione degli scenari).
• Perdita di Calibrazione ($L_{cal}$): Utilizza la pinball loss per garantire che il raggio approssimi un quantile alto condizionale degli errori di previsione, evitando il collasso del raggio.
• Regolarizzazione di Dimensione e Stabilità ($L_{size}, L_{stab}$): Previene l'inflazione del raggio e garantisce transizioni fluide tra i passi temporali.

L'addestramento segue un algoritmo a stadi:

1. Pre-addestramento del generatore di scenari ($\hat{P}_\theta$) tramite perdita di previsione.
2. Addestramento della rete del raggio ($\rho_\phi$) tramite calibrazione e regolarizzazione della dimensione su un set di calibrazione.
3. Fine-tuning dell'intero sistema (scenari, raggio e livello decisionale) utilizzando l'obiettivo focalizzato sulla decisione completo.

Per il caso specifico dell'ottimizzazione di portafoglio con perdita affine e costi euclidei, il documento deriva una forma duale finita trattabile. Il problema del portafoglio robusto diventa la massimizzazione del rendimento atteso meno un termine di penalità proporzionale al raggio appreso e alla norma del portafoglio: $\max_w \hat{\mu}^\top w - \rho(z_t)\|w\|_2 - \text{regolarizzazione}$.

3. Contributi Principali

Il documento presenta quattro contributi primari:

1. Framework LPSA: Introduce un ponte contestuale tra la previsione probabilistica profonda e la Wasserstein DRO, dove l'insieme di ambiguità (centro e raggio) è appreso anziché fisso.
2. Obiettivo di Apprendimento del Raggio: Sviluppa una funzione di perdita multi-componente che integra accuratezza della previsione, calibrazione statistica (stile quantile), regolarizzazione della dimensione e qualità della decisione realizzata.
3. Implementazione Trattabile: Fornisce una forma duale finita per lo strato DRO e un algoritmo di addestramento a stadi che consente un processo decisionale robusto differenziabile.
4. Validazione Empirica: Dimostra, tramite uno studio di ottimizzazione di portafoglio, che gli ampi raggi di ambiguità adattivi possono superare i baselines non robusti e quelli con DRO a raggio storico, pur eguagliando gran parte delle prestazioni di un forte modello DRO a raggio fisso.

4. Risultati Sperimentali

Il metodo è stato valutato su un compito di ottimizzazione di portafoglio giornaliero utilizzando 20 costituenti dell'S&P 500 dal gennaio 2018 al giugno 2026. Il modello LPAS è stato confrontato con Equal Weight (EW), Predict-then-Optimize (P2O), Historical Wasserstein DRO (Hist-WDRO) e un Deep Predictive Fixed-Radius DRO (Fixed-DRO).

Risultati Chiave:

• Prestazioni: LPAS ha superato significativamente EW, P2O e Hist-WDRO.
• Confronto con Fixed-DRO: LPSA ha ottenuto un rendimento annualizzato del 26,28% e un rapporto di Sharpe di 1,30, leggermente inferiore al baseline Fixed-DRO (rendimento 27,48%, Sharpe 1,34).
• Efficienza e Rischio: Nonostante il leggero calo dei parametri medi, LPAS ha utilizzato un raggio medio sostanzialmente più piccolo (24,35 contro 35,44) e ha ottenuto migliori metriche per la perdita del mese peggiore e per il CVaR95.
• Adattività: Il raggio appreso è riuscito a variare con le condizioni di mercato, aumentando durante i regimi di alta volatilità e diminuendo durante i periodi stabili.
• Ablazione: La rimozione della perdita di calibrazione ha causato il collasso del raggio, portando a rendimenti negativi e drawdown elevati, confermando che la calibrazione è essenziale per la stabilità del metodo.

5. Significato e Rivendicazioni

Il documento afferma che l'approccio proposto dimostra che gli ampi di ambiguità appresi possono recuperare la maggior parte delle prestazioni di una forte DRO a raggio fisso riducendo al contempo l'inutile conservativismo.

L'ipotesi centrale supportata dai risultati è che, nel processo decisionale robusto, l'oggetto da apprendere non è semplicemente una previsione, ma anche quanto l'ottimizzatore debba diffidare di tale previsione in base allo stato corrente. Rendendo l'insieme di ambiguità contestuale, LPSA ottiene l' "adattività di regime", fornendo una protezione più forte durante i drawdown e i periodi di alta incertezza senza sacrificare le prestazioni nei mercati più calmi. Gli autori osservano che, sebbene LPSA sia competitivo con la Fixed-DRO, offre un uso più efficiente del budget di robustezza, evitando il conservativismo globale intrinseco agli approcci a raggio fisso.

Limitazioni Riconosciute:
Gli autori notano con modestia che gli esperimenti sono limitati a un singolo split rotante su un universo di 20 asset, la metrica anisotropa appresa non è stata valutata, e la copertura empirica è leggermente inferiore al target nominale dopo l'aggiustamento consapevole della decisione (suggerendo la necessità di una post-calibrazione conforme nelle applicazioni con controllo del rischio rigoroso).