ترجمه فارسی مقاله آناتومی ماشین‌ها برای مارکوویتز: یادگیری متمرکز بر تصمیم برای بهینه‌سازی نمونه کارها میانگین واریانس

چکیده

Markowitz laid the foundation of portfolio theory through the mean-variance optimization (MVO) framework. However, the effectiveness of MVO is contingent on the precise estimation of expected returns, variances, and covariances of asset returns, which are typically uncertain. Machine learning models are becoming useful in estimating uncertain parameters, and such models are trained to minimize prediction errors, such as mean squared errors (MSE), which treat prediction errors uniformly across assets. Recent studies have pointed out that this approach would lead to suboptimal decisions and proposed Decision-Focused Learning (DFL) as a solution, integrating prediction and optimization to improve decision-making outcomes. While studies have shown DFL’s potential to enhance portfolio performance, the detailed mechanisms of how DFL modifies prediction models for MVO remain unexplored. This study aims to investigate how DFL adjusts stock return prediction models to optimize decisions in MVO, addressing the question: “MSE treats the errors of all assets equally, but how does DFL reduce errors of different assets differently?” Answering this will provide crucial insights into optimal stock return prediction for constructing efficient portfolios.

چکیده به فارسی (ترجمه ماشینی)

ماركوویتس پایه و اساس تئوری نمونه كارها را از طریق چارچوب بهینه سازی میانگین واریانس (MVO) قرار داد.با این حال ، اثربخشی MVO در برآورد دقیق بازده ، واریانس ها و متغیرهای بازده دارایی ، که به طور معمول نامشخص هستند ، مشروط به تخمین دقیق بازده ، واریانس و متغیر است.مدل های یادگیری ماشین در برآورد پارامترهای نامشخص مفید می شوند ، و چنین مدل هایی برای به حداقل رساندن خطاهای پیش بینی مانند میانگین خطاهای مربع (MSE) آموزش داده می شوند ، که خطاهای پیش بینی را به طور یکنواخت در بین دارایی ها درمان می کنند.مطالعات اخیر خاطرنشان كردند كه این رویکرد منجر به تصمیمات كمتر از حد متوسط ​​و یادگیری پیشنهادی تصمیم گیری (DFL) به عنوان یك راه حل می شود ، پیش بینی و بهینه سازی را برای بهبود نتایج تصمیم گیری ادغام می كند.در حالی که مطالعات پتانسیل DFL را برای افزایش عملکرد نمونه کارها نشان داده است ، مکانیسم های مفصل در مورد چگونگی اصلاح DFL مدل های پیش بینی برای MVO ناشناخته باقی مانده است.این مطالعه با هدف بررسی چگونگی تنظیم DFL مدل های پیش بینی بازده سهام برای بهینه سازی تصمیمات در MVO ، پرداختن به این سؤال: “MSE با خطاهای همه دارایی ها به طور یکسان رفتار می کند ، اما چگونه DFL می تواند خطاهای دارایی های مختلف را متفاوت کند؟”پاسخ دادن به این امر ، بینش مهمی در مورد پیش بینی بهینه بازده سهام برای ساخت اوراق بهادار کارآمد ارائه می دهد.