基于贝叶斯与确定性学生模型的标签稀缺与区间迁移下的组合优化代理方法
机器学习
2026-04-17 v1 投资组合管理
机器学习
摘要
本文提出一种基于机器学习的组合优化框架，适用于数据稀缺和区间不确定的环境。我们构建了一个教师-学生学习管道，其中基于条件价值风险（CVaR）的优化器生成监督标签，神经网络模型（贝叶斯模型和确定性模型）通过真实数据和合成增强数据进行训练。合成数据采用基于因子模型和t Copula残差生成，克服了仅有104个标记观测值的限制。我们在结构化实验框架下评估了四个学生模型，包括（i）受控合成实验（3×5随机种子网格）、（ii）分布内真实市场评估（C2A）和（iii）跨宇宙泛化（D2A）。在真实市场环境中，采用滚动评估协议，对冻结的预训练模型定期微调最近观察数据并重置为初始状态，确保稳定性同时允许有限适应性。结果表明，学生模型在多个设置下可匹配或优于CVaR教师，同时在区间迁移下实现更好的鲁棒性和更低的换手率。这些发现表明，混合优化学习方法可增强数据受限环境下的组合构建。
引用
@article{arxiv.2604.14206,
title = {Portfolio Optimization Proxies under Label Scarcity and Regime Shifts via Bayesian and Deterministic Students under Semi-Supervised Sandwich Training},
author = {Adhiraj Chattopadhyay},
journal= {arXiv preprint arXiv:2604.14206},
year = {2026}
}
备注
18 pages of main text. 10 pages of appendices. 35 references. Around 13 figures