Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization

Technische Samenvatting: Learned Predictive Ambiguity Sets voor Decision-Focused Distributional Robust Optimization

1. Probleemstelling

Standaard "predict-then-optimize"-systemen comprimeren onzekerheid tot een enkel puntforecast (bijv. een gemiddeld rendement) en lossen vervolgens een downstream optimalisatieprobleem op alsof dat forecast de absolute waarheid is. Deze aanpak is fragiel; kleine voorspellingsfouten kunnen leiden tot grote beslissingsverliezen, vooral wanneer de optimizer fouten versterkt langs actieve restricties of richtingen met een hoge gevoeligheid.

Distributional Robust Optimization (DRO) pakt dit aan door te optimaliseren tegen de slechtst denkbare distributie binnen een ambiguïteitsverzameling (ambiguity set). Echter, traditionele Wasserstein DRO vertrouwt op handmatig ontworpen ambiguïteitsverzamelingen waarbij het centrum een vaste historische empirische distributie is en de straal een globale scalaire waarde die via validatie wordt afgestemd. Deze statische aanpak sluit vaak niet aan bij contextuele omgevingen: een straal die veilig is tijdens volatiele perioden kan te conservatief zijn tijdens stabiele perioden, terwijl een straal die is afgestemd op gemiddelde prestaties kan falen tijdens regime-verschuivingen. Het kernprobleem is hoe de ambiguïteitsverzameling zelf contextueel en leerbaar kan worden gemaakt, zodat deze zich aanpast aan de specifieke staat van het systeem om een balans te vinden tussen robuustheid en prestaties.

2. Methodologie: Learned Predictive Ambiguity Sets (LPAS)

Het paper stelt Learned Predictive Ambiguity Sets (LPAS) voor, een framework dat een brug slaat tussen probabilistische diepe forecasting en Wasserstein DRO. In plaats van een vaste centrum en straal, gebruikt LPAS een diep contextueel model dat voor een gegeven context $z_t$ drie componenten output:

1. Een Eindige Nominale Scenario-distributie: $\hat{P}_\theta(\cdot | z_t) = \sum_{i=1}^N p_{\theta,i}(z_t) \delta_{\hat{\xi}_{\theta,i}(z_t)}$, wat een discrete verzameling voorspelde scenario's vertegenwoordigt.
2. Een Toestandsafhankelijke Straal: $\rho_\phi(z_t)$, een niet-negatieve scalaire waarde die de grootte van de Wasserstein-bal definieert.
3. (Optioneel) Een Anisotrope Grondmetriek: $c_\psi(\xi, \xi'; z_t)$, hoewel de experimenten een vaste Euclidische metriek gebruiken.

Deze outputs definiëren een contextuele ambiguïteitsverzameling $\mathcal{P}_{\theta,\phi}(z_t) = \{ Q : W_c(Q, \hat{P}_\theta(\cdot | z_t)) \leq \rho_\phi(z_t) \}$. De downstream beslissing $x_t$ wordt berekend door het verwachte verlies in het slechtst denkbare geval over deze verzameling te minimaliseren.

Trainingsdoelstelling en Algoritme
Het model wordt end-to-end getraind met behulp van een samengestelde doelstelling die vier termen balanceert:

• Beslissingsverlies ($L_{dec}$): Het gerealiseerde verlies van de downstream robuuste beslissing.
• Voorspellingsverlies ($L_{pred}$): Traint de nominale scenario-distributie (bijv. via negatieve log-likelihood of scenario-reconstructie).
• Kalibratieverlies ($L_{cal}$): Gebruikt pinball loss om ervoor te zorgen dat de straal een conditioneel hoog kwantiel van de forecast-fouten benadert, om te voorkomen dat de straal inklapt.
• Grootte- en Stabiliteitsregularisatie ($L_{size}, L_{stab}$): Voorkomt inflatie van de straal en zorgt voor vloeiende overgangen tussen tijdstappen.

De training volgt een gefaseerd algoritme:

1. Pretrain de scenario-generator ($\hat{P}_\theta$) met behulp van de voorspellingsverlies.
2. Train het straal-netwerk ($\rho_\phi$) met kalibratie en grootte-regularisatie op een kalibratiesplit.
3. Fine-tune het gehele systeem (scenario's, straal en beslissingslaag) met beh Verwendung van de volledige decision-focused doelstelling.

Voor het specifieke geval van portfolio-optimalisatie met een affine verlies en Euclidische kosten, leidt het paper een tractabele, eindige-dimensionale duale vorm af. Het robuuste portfolio-probleem wordt een maximalisatie van het verwacht rendement minus een strafterm die proportioneel is aan de geleerde straal en de portfolio-norm: $\max_w \hat{\mu}^\top w - \rho(z_t)\|w\|_2 - \text{regularisatie}$.

3. Belangrijkste Bijdragen

Het paper levert vier primaire bijdragen:

1. LPAS Framework: Introduceert een contextuele brug tussen diepe probabilistische forecasting en Wasserstein DRO, waarbij de ambiguïteitsverzameling (centrum en straal) geleerd wordt in plaats van vast te staan.
2. Straal-leerbaar Doel: Ontwikkelt een multi-component verliesfunctie die voorspellingsnauwkeurigheid, statistische kalibratie (kwantiel-stijl), grootte-regularisatie en gerealiseerde beslissingskwaliteit integreert.
3. Tractable Implementatie: Levert een eindige duale vorm voor de DRO-laag en een gefaseerd trainingsalgoritme dat differentieerbare robuuste besluitvorming mogelijk maakt.
4. Empirische Validatie: Demonstreert via een portfolio-optimalisatiestudie dat adaptieve ambiguïteitsstralen de prestaties van zowel non-robuuste als historische-DRO baselines kunnen overtreffen, terwijl ze de prestaties van een sterk fixed-radius DRO model benaderen met een aanzienlijk kleinere gemiddelde straal.

4. Experimentele Resultaten

De methode werd geëvalueerd op een dagelijkse portfolio-optimalisatietaak met 20 S&P 500-componenten van januari 2018 tot juni 2026. Het LPAS-model werd vergeleken met Equal Weight (EW), Predict-then-Optimize (P2O), Historical Wasserstein DRO (Hist-WDRO) en een Deep Predictive Fixed-Radius DRO (Fixed-DRO).

Belangrijkste bevindingen:

• Prestaties: LPAS presteerde aanzienlijk beter dan EW, P2O en Hist-WDRO.
• Vergelijking met Fixed-DRO: LPAS behaalde een geannualiseerd rendement van 26,28% en een Sharpe-ratio van 1,30, wat iets lager is dan de Fixed-DRO baseline (27,48% rendement, 1,34 Sharpe).
• Efficiëntie en Risico: Ondanks de lichte daling in gemiddelde metrieken, gebruikte LPAS een aanzienlijk kleinere gemiddelde straal (24,35 vs. 35,44) en behaalde betere resultaten voor worst-month loss en CVaR95.
• Adaptiviteit: De geleerde straal varieerde succesvol met de marktomstandigheden, waarbij deze toenam tijdens perioden van hoge volatiliteit en afnam tijdens stabiele perioden.
• Ablatie: Het verwijderen van de kalibratieverlies veroorzaakte het inklappen van de straal, wat leidde tot negatieve rendementen en hoge drawdowns, wat bevestigt dat kalibratie essentieel is voor de stabiliteit van de methode.

5. Betekenis en Claims

Het paper claimt dat de voorgestelde aanpak aantoont dat geleerde ambiguïteitsstralen het grootste deel van de prestaties van sterke fixed-radius DRO kunnen herstellen, terwijl ze onnodige conservatisme verminderen.

De centrale hypothese die door de resultaten wordt ondersteund, is dat in robuuste besluitvorming het optimale object om te leren niet enkel een voorspelling is, maar ook hoeveel de optimizer die voorspelling moet wantrouwen op basis van de huidige staat. Door de ambiguïteitsverzameling contextueel te maken, bereikt LPAS "regime-adaptiviteit", wat sterkere bescherming biedt tijdens drawdowns en perioden van hoge onzekerheid zonder de prestaties in kalmere markten op te offeren. De auteurs merken op dat hoewel LPAS concurrerend is met fixed-radius DRO, het een efficiënter gebruik maakt van het robuustheidsbudget, waardoor de globale over-conservativiteit die inherent is aan fixed-radius benaderingen wordt vermeden.

Erkende beperkingen:
De auteurs merken bescheiden op dat de experimenten beperkt zijn tot een enkele rolling split op een universum van 20 activa, dat de geleerde anisotrope metriek niet is geëvalueerd, en dat de empirische dekking iets onder het nominale doel ligt na decision-aware tuning (wat wijst op een behoefte aan conformal post-kalibratie in strikte risicobeheersentoepassingen).