바서슈타인 분포 강인 평균 반절 절대 편차 포트폴리오 모델: 강인 선택과 효율적인 계산

이 논문은 훈련 샘플의 경험적 분포를 중심으로 한 바서슈타인 구체에 모호성 집합이 있는 바서슈타인 분포 강인 평균 하반 절대 편차(DR-MLSAD) 모델에 중점을 둡니다. 이 모델은 동등하게 볼록 문제로 변환될 수 있습니다. 우리는 DR-MLSAD 모델의 바서슈타인 반경 크기를 결정하기 위해 강인 바서슈타인 프로파일 추론(RWPI) 접근 방식을 개발했습니다. 또한, 재형식화된 동등한 모델을 위한 효율적인 근접 점 이중 반매끄러운 뉴턴(PpdSsn) 알고리즘을 설계했습니다. 수치 실험에서 RWPI 접근 방식에 의해 선택된 반경을 가진 DR-MLSAD 모델을 교차 검증, MLSAD 모델의 샘플 평균 근사(SAA), 실제 시장 데이터 세트에서 1/N 전략에 의해 선택된 반경을 가진 DR-MLSAD 모델과 비교했습니다. 수치 결과는 대부분의 경우 우리 모델이 샘플 외 성능이 더 우수하다는 것을 보여줍니다. 게다가, 우리는 PpdSsn 알고리즘과 임의 데이터에 대한 1차 알고리즘 및 Gurobi 솔버를 비교합니다. 수치 결과는 대규모 DR-MLSAD 문제를 해결하는 데 있어 PpdSsn의 효과를 확인합니다.