Decision-focused Sparse Tangent Portfolio Optimization

Resumo Técnico: Otimização de Portfólio Tangente Esparsa Focada em Decisão

Definição do Problema
A otimização de portfólio tangente esparsa busca construir portfólios interpretáveis e de baixa cardinalidade que maximizem o índice de Sharpe (retorno excedente por unidade de volatilidade) ao longo da fronteira média-variância. No entanto, esta tarefa enfrenta dois desafios primários:

1. Complexidade Computacional: Impor uma restrição de cardinalidade (limitar o número de pesos de ativos não nulos) transforma o problema de otimização de uma tarefa contínua suave em uma busca combinatória NP-difícil.
2. Desalinhamento Predição-Decisão: Pipelines convencionais de "predizer-então-otimizar" (PFL) treinam modelos preditivos usando perdas estatísticas (ex: Erro Quadrático Médio) para prever retornos de ativos. Esses modelos são então alimentados em um otimizador separado. Esta abordagem falha ao não considerar a estrutura de decisão a jusante; pequenos erros de previsão podem cascatear através de etapas discretas de seleção de ativos, levando a uma subotimalidade significativa no desempenho final do portfólio, particularmente sob restrições de esparsidade rigorosas.

Metodologia
Os autores propõem um framework de Aprendizado Focado em Decisão (DFL) de ponta a ponta que integra predição, seleção de ativos e reotimização de portfólio em um único pipeline diferenciável. A metodologia central envolve três inovações técnicas:

1. Reformulação Diferenciável do Índice de Sharpe:
   Para permitir o fluxo de gradiente através da camada de otimização, os autores reformulam o problema de maximização do índice de Sharpe não convexo em um programa convexo compatível com Programação Parametrizada Disciplinada (DPP).

   • Eles utilizam uma técnica de homogeneização, introduzindo uma variável de escala $t$ e definindo $y = tw$.
   • Ao aplicar a fatoração de Cholesky ($\Sigma = L_\Sigma L_\Sigma^\top$) à matriz de covariância, eles transformam o problema em uma forma de Programação Quadrática com Restrições Quadráticas (QCQP):
     $$\max_{y,t} y^\top \mu \quad \text{s.t.} \quad \mathbf{1}^\top y = t, \quad \|L_\Sigma y\|_2 \leq 1, \quad t \geq 0$$
   • Esta formulação satisfaz as regras de DPP, permitindo o uso de solvers como o CVXPYlayers para calcular os gradientes em relação aos retornos médios preditos $\hat{\mu}$.

2. Operador Soft Top-k Diferenciável:
   Para lidar com a natureza discreta das restrições de cardinalidade ($k$ ativos enquanto mantém a diferenciabilidade, os autores substituem a seleção hard top-k por um operador suave.

   • Os ativos são classificados com base na magnitude de seus pesos transformados $|L_\Sigma^\top w|$.
   • Uma máscara soft top-k é gerada usando uma função sigmoide logística $\sigma$ com um parâmetro de deslocamento aprendível $t$. O deslocamento é determinado via uma busca de bisseção unidimensional para garantir que a soma dos valores da máscara seja exatamente igual a $k$.
   • O passo de retropropagação utiliza um produto vetor-Jacobiano de forma fechada, garantindo eficiência computacional e estabilidade numérica sem formar explicitamente grandes matrizes Jacobianas.

3. Objetivo de Treinamento de Ponta a Ponta:
   O modelo preditivo é treinado para minimizar uma perda específica da tarefa, em vez de uma perda de previsão pura. O objetivo combina:

   • Perda de Arrependimento ($L_{DFL}$): A diferença entre o retorno do portfólio ótimo sob parâmetros reais e o retorno alcançado usando as predições do modelo.
   • Perda de Predição ($L_{MSE}$): Um termo de Erro Quadrático Médio padrão para estabilizar o treinamento.
   • A perda total é uma soma ponderada: $L_{Task} = \alpha L_{DFL} + (1-\alpha) L_{MSE}$.

Principais Contribuições

1. Primeira Aplicação de DFL a Portfólios Tangentes Esparsos: Este trabalho une o aprendizado focado em decisão à otimização de portfólio esparsa, abordando restrições explícitas de cardinalidade que aplicações tradicionais de DFL têm evitado.
2. Camada de Decisão Diferenciável: Os autores constroem uma nova camada que combina uma reformulação convexa compatível com DPP da maximização do índice de Sharpe com um operador top-k suave. Isso permite a propagação de gradiente através da predição, seleção discreta e reotimização.
3. Validação Empírica: O framework é validado em quatro grandes mercados de ações (EuroStoxx50, FTSE100, KOSPI200, Nikkei225) com universos de ativos e níveis de cardinalidade variados.

Resultados Experimentais
O framework DFL proposto foi comparado contra:

• Baselines: Histórico (média-variância sobre dados históricos) e Aprendizado Focado em Predição (PFL) pipelines.
• Modelos de Otimização: OSCAR (heurística), SD-relaxation (programação semidefinida) e mSSRM-PGA (gradiente proximal).

Descobertas:

• Desempenho Superior: O framework DFL alcançou consistentemente índices de Sharpe fora da amostra competitivos ou superiores em comparação com os baselines PFL e Históricos.
• Escalabilidade: Os ganhos de desempenho foram mais pronunciados em universos de ativos maiores (ex: KOSPI200 com 162 ativos e Nikkei225 com 208 ativos), onde a complexidade combinatória da seleção esparsa é mais alta.
• Estabilidade: Embora algumas variantes de PFL (especificamente SD-relaxation) tenham ocasionalmente igualado a média de desempenho em mercados menores, o método DFL exibiu desvios padrão menores entre as sementes aleatórias, indicando maior robustez à aleatoriedade do treinamento.
• Séries Temporais de Retorno: Os portfólios DFL demonstraram retornos realizados mais altos durante o período de teste em comparação com os baselines PFL na maioria dos períodos.

Significância e Alegações
O artigo alega que alinhar o objetivo de aprendizado diretamente com a qualidade do portfólio a jusante (desempenho ajustado ao risco) é crítico para a otimização esparsa. Ao internalizar a estrutura do problema de otimização com restrições dentro do modelo preditivo, o framework mitiga o descompasso "predizer-então-otimizar". Os autores afirmam que esta abordagem é particularmente eficaz quando o problema de seleção é combinatoriamente difícil, como é o caso de grandes universos de ativos e restrições de cardinalidade estritas.

Limitações
Os autores reconhecem três limitações principais:

1. Sobrecarga Computacional: Diferenciar através do operador soft top-k introduz custos computacionais que escalam com o tamanho do universo de ativos.
2. Escopo de Restrições: A formulação atual permite vendas a descoberto e não incorpora restrições práticas como posições apenas de compra (long-only), limites de alavancagem ou penalidades de rotatividade (turnover).
3. Generalização: A abordagem é adaptada especificamente para a otimização de portfólio tangente esparsa; estender o método para outros objetivos de cardinalidade com diferentes metas a jusante requer adaptações não triviais.