ラベル不足とレジーム転換下におけるポートフォリオ最適化の代理学習：半教師ありサンドイッチ学習とベイズ／決定論的学生モデル
arXiv cs.LG / 2026/4/17
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ラベル不足と市場レジームの不確実性に対処することを目的とした、機械学習支援のポートフォリオ最適化フレームワークを提案する。
- CVaR最適化器が教師となる教師ありラベルを生成し、ベイズ型および決定論的なニューラルモデルを、実データと合成データの両方で学習する教師–学生パイプラインを構築する。
- 合成データは、tコープラ残差を用いたファクターベースのモデルで生成し、104件の限られたラベル付き実データを超えて学習できるようにする。
- 4つの学生モデルを、(i)制御された合成実験、(ii)実市場でのインディストリビューション評価、(iii)異なるユニバース間の一般化、という枠組みで評価し、ローリング評価（凍結済みモデルの定期的ファインチューニングとリセット）で安定性を確保する。
- 結果として、学生モデルは複数の状況で教師（CVaR）と同等以上の性能を示し、レジーム転換への頑健性が高く、売買回転率も低いことが示される。
