自相关 Optimize-via-Estimate：预测-优化与有限样本最优
机器学习
2026-02-03 v1 最优化与控制
摘要
直接优化有限样本 regime 下外样本性能的模型已成为数据驱动优化中传统 estimate-then-optimize 方法的有前景的替代方案。本文在向量自回归移动平均 VARMA(p,q) 过程的背景下，比较了这些方法在自相关不确定性情境下的表现。我们提出了自相关 Optimize-via-Estimate (A-OVE) 模型，其外样本最优解可表示为充分统计量的函数，并提出了计算其充分统计量的递归形式。我们在具有交易成本的投资组合优化问题上对这些模型进行评估。A-OVE 相对于拥有完美信息的基准实现低后悔，优于预测-优化机器学习基准。值得注意的是，准确度更高的机器学习模型在决策质量方面可能表现更差，这反映了数据驱动优化领域不断扩大的文献。小幅误指定性下仍能保持性能。
引用
@article{arxiv.2602.01877,
title = {Autocorrelated Optimize-via-Estimate: Predict-then-Optimize versus Finite-sample Optimal},
author = {Zichun Wang and Gar Goei Loke and Ruiting Zuo},
journal= {arXiv preprint arXiv:2602.01877},
year = {2026}
}