Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization
创建于 更新于
摘要
本研究提出学习型预测歧义集（LPAS），通过一个深度上下文模型输出有限的名义情景分布、状态相关的 Wasserstein 半径以及可选的各向异性 Ground Metric，从而构成上下文相关的歧义集供 DRO 决策层使用。半径通过条件分位校准、尺寸正则化以及下游决策损失的联合训练实现自适应鲁棒性，而非全局固定。给出 DRO 层的有限对偶形式并提出分阶段训练算法。实证在由 20 只标的组成的 S&P 500 组合（2018–2026）上进行，LPAS 相对于等权、预测后优化、历史 Wasserstein DRO 等基线显著提升，达到年化收益率26.28%、夏普1.30、最终财富1.61，并在尾部风险等指标上优于深度固定半径 DRO 基线的同时使用更小的平均半径，体现出鲁棒半径的 regime 自适应性。 [page::0]
