Decision-focused Sparse Tangent Portfolio Optimization

Technische Samenvatting: Beslissingsgerichte Sparse Tangent Portfolio Optimalisatie

Probleemstelling
Sparse tangent portfolio optimalisatie streeft naar het construeren van interpreteerbare, laag-cardinale portfolio's die de Sharpe-ratio (excess rendement per eenheid volatiliteit) maximaliseren langs de mean-variance frontier. Deze taak wordt echter geconfronteerd met twee primaire uitdagingen:

1. Computationele Complexiteit: Het afdwingen van een cardinaliteitsrestrictie (het beperken van het aantal niet-nul asset-gewichten) transformeert het optimalisatieprobleem van een glad continu proces naar een NP-harde combinatorische zoektocht.
2. Mismatch tussen Voorspelling en Beslissing: Conventionele "predict-then-optimize" (PFL) pipelines trainen voorspellende modellen met statistische verliezen (bijv. Mean Squared Error) om de rendementen van assets te voorspellen. Deze modellen worden vervolgens gevoed aan een aparte optimizer. Deze aanpak houdt geen rekening met de downstream beslissingsstructuur; kleine voorspellingsfouten kunnen door discrete selectiestappen cascaderen, wat leidt tot significante suboptimaliteit in de uiteindelijke portfolio-prestaties, met name onder strikte sparsity-restricties.

Methodologie
De auteurs stellen een end-to-end Decision-Focused Learning (DFL) framework voor dat voorspelling, assetselectie en portfolio-reoptimalisatie integreert in één enkele differentieerbare pipeline. De kernmethodologie omvat drie technische innovaties:

1. Differentieerbare Sharpe Ratio Herformulering:
   Om de gradiëntstroom door de optimalisatielaag mogelijk te maken, herformuleren de auteurs het niet-convexe Sharpe-ratio maximalisatieprobleem in een Disciplined Parametrized Programming (DPP)-conforme convexe programma.

   • Zij maken gebruik van een homogenisatietechniek, waarbij een schaalvariabele $t$ wordt geïntroduceerd en $y = tw$ wordt gedefinieerd.
   • Door Cholesky-factorisatie ($\Sigma = L_\Sigma L_\Sigma^\top$) toe te passen op de covariantie-matrix, transformeren zij het probleem naar een Quadratically Constrained Quadratic Programming (QCQP) vorm:
     $$\max_{y,t} y^\top \mu \quad \text{s.t.} \quad \mathbf{1}^\top y = t, \quad \|L_\Sigma y\|_2 \leq 1, \quad t \geq 0$$
   • Deze formulering voldoet aan de DPP-regels, waardoor solvers zoals CVXPYlayers gebruikt kunnen worden om gradiënten te berekenen met betrekking tot de voorspelde gemiddelde rendementen $\hat{\mu}$.

2. Differentieerbare Soft Top-k Operator:
   Om de discrete aard van cardinaliteitsrestricties ($k$ assets) te behandelen terwijl de differentieerbaarheid behouden blijft, vervangen de auteurs de harde top-k selectie door een gladde operator.

   • Assets worden gerangschikt op basis van de grootte van hun getransformeerde gewichten $|L_\Sigma^\top w|$.
   • Een soft top-k mask wordt gegenereerd met behulp van een logistische sigmoidfunctie $\sigma$ met een leerbare verschuivingsparameter $t$. De verschuiving wordt bepaald via een eendimensionale bisection search om ervoor te zorgen dat de som van de mask-waarden exact gelijk is aan $k$.
   • De backward pass maakt gebruik van een closed-form vector-Jacobian product, wat computationele efficiëntie en numerieke stabiliteit garandeert zonder expliciet grote Jacobian-matrices te vormen.

3. End-to-End Trainingsdoel:
   Het voorspellende model wordt getraind om een taakspecifieke loss te minimaliseren in plaats van een pure voorspellingsloss. De doelfunctie combineert:

   • Regret Loss ($L_{DFL}$): Het verschil tussen het optimale portfolio-rendement onder grondwaarheid-parameters en het rendement behaald met de modelvoorspellingen.
   • Prediction Loss ($L_{MSE}$): Een standaard Mean Squared Error term om de training te stabiliseren.
   • De totale loss is een gewogen som: $L_{Task} = \alpha L_{DFL} + (1-\alpha) L_{MSE}$.

Belangrijkste Bijdragen

1. Eerste Toepassing van DFL op Sparse Tangent Portfolios: Dit werk overbrugt decision-focused learning en sparse portfolio optimalisatie, waarbij expliciete cardinaliteitsrestricties worden aangepakt die traditionele DFL-toepassingen grotendeels hebben vermeden.
2. Differentieerbare Beslissingslaag: De auteurs construeren een nieuwe laag die een DPP-conforme convexe herformulering van Sharpe-ratio maximalisatie combineert met een gladde top-k operator. Dit maakt gradiëntpropagatie mogelijk door voorspelling, discrete selectie en reoptimalisatie.
3. Empirische Validatie: Het framework wordt gevalideerd over vier grote aandelenmarkten (EuroStoxx50, FTSE100, KOSPI200, Nikkei225) met variërende asset-universa en cardinaliteitsniveaus.

Experimentele Resultaten
Het voorgestelde DFL-framework werd vergeleken met:

• Baselines: Historische (mean-variance op historische data) en Prediction-focused Learning (PFL) pipelines.
• Optimalisatiemodellen: OSCAR (heuristiek), SD-relaxation (semidefinite programming), en mSSRM-PGA (proximal gradient).

Bevindingen:

• Superieur Presteren: Het DFL-framework behaalde consequent competitieve of superieure out-of-sample Sharpe-ratio's vergeleken met PFL en historische baselines.
• Schaalbaarheid: De prestatiewinsten waren het meest uitgesproken in grotere asset-universa (bijv. KOSPI200 met 162 assets en Nikkei225 met 208 assets), waar de combinatorische complexiteit van sparse selectie het hoogst is.
• Stabiliteit: Hoewel sommige PFL-varianten (met name SD-relaxation) incidenteel de gemiddelde prestaties evenaarden in kleinere markten, vertoonde de DFL-methode lagere standaarddeviaties over willekeurige seeds, wat wijst op een grotere robuustheid tegen trainingsrandomness.
• Rendement Tijdreeksen: De DFL-portfolio's vertoonden hogere gerealiseerde rendementen over de testperiode vergeleken met PFL-baselines in de meeste perioden.

Betekenis en Claims
Het artikel claimt dat het afstemmen van het leerdoel direct op de downstream portfolio-kwaliteit (risico-gecorrigeerd rendement) cruciaal is voor sparse optimalisatie. Door de structuur van het beperkte optimalisatieprobleem binnen het voorspellende model te internaliseren, mitigeert het framework de "predict-then-optimize" mismatch. De auteurs stellen dat deze aanpak bijzonder effectief is wanneer het selectieprobleem combinatorisch moeilijk is, zoals in het geval van grote asset-universa en strikte cardinaliteitsrestricties.

Beperkingen
De auteurs erkennen drie belangrijke beperkingen:

1. Computationele Overhead: Het differentiëren door de soft top-k operator introduceert computationele kosten die schalen met de omvang van het asset-universum.
2. Scope van de Restricties: De huidige formulering staat short selling toe en bevat geen praktische restricties zoals long-only posities, leverage-limieten of turnover-penalties.
3. Generaliseerbaarheid: De aanpak is specifiek afgestemd op sparse tangent portfolio optimalisatie; het uitbreiden naar andere cardinaliteits-beperkte doelstellingen met andere downstream doelen vereist niet-triviale aanpassingen.