[논문 리뷰] Autocorrelated Optimize-via-Estimate: Predict-then-Optimize versus Finite-sample Optimal

Zichun Wang, Gar Goei Loke외 1명|arXiv (Cornell University)|2026. 02. 02.

Advanced Bandit Algorithms Research인용 수 0

한 줄 요약

논문은 A-OVE를 도입한다. 이는 VARMA 시계열 불확실성에 대한 자동상관을 고려한 추정-최적화(Optimize-via-Estimate) 방법으로, 오라클에 비해 낮은 regret를 달성하고 거래 비용이 있는 포트폴리오 최적화에서 PTO/ETO ML 벤치마크를 능가한다.

ABSTRACT

Models that directly optimize for out-of-sample performance in the finite-sample regime have emerged as a promising alternative to traditional estimate-then-optimize approaches in data-driven optimization. In this work, we compare their performance in the context of autocorrelated uncertainties, specifically, under a Vector Autoregressive Moving Average VARMA(p,q) process. We propose an autocorrelated Optimize-via-Estimate (A-OVE) model that obtains an out-of-sample optimal solution as a function of sufficient statistics, and propose a recursive form for computing its sufficient statistics. We evaluate these models on a portfolio optimization problem with trading costs. A-OVE achieves low regret relative to a perfect information oracle, outperforming predict-then-optimize machine learning benchmarks. Notably, machine learning models with higher accuracy can have poorer decision quality, echoing the growing literature in data-driven optimization. Performance is retained under small mis-specification.

연구 동기 및 목표

• 자기상관 시계열로 한정된 샘플 불확실성 하에서 데이터 기반 최적화를 동기화한다.
• A-OVE: VARMA(p,q) 불확실성을 위한 자동상관된 Optimize-via-Estimate 모델을 제안한다.
• 가능도(Fisher-Neyman 분해)를 통한 충분통계치를 재귀적으로 계산하는 방법을 도출한다.
• 거래 비용이 포함된 포트폴리오 최적화에 A-OVE를 적용하고 PTO/ETO 벤치마크와 비교한다.
• 작은 모델 오기-specification에 대한 로버스트성과 실제 데이터에 대한 검증을 보여준다.

제안 방법

• 데이터 기반 최적화 프레임워크(PTO, ETO, FPtP, OVE)를 정의한다.
• OVE를 자동상관 VARMA(p,q) 불확실성으로 확장하고 L(Y;ξ)에 대한 Fisher-Neyman 분해를 얻는다.
• 가능도 기반 형식화에서 충분통계에 의한 함수로서 A-OVE 의사결정이 계산될 수 있음을 보인다.
• 가중된 충분통계치를 사용한 닫힌형 A-OVE 해를 제공하는 보손: xOVE = (D1̄ + D2̄)^{-1}(μ0 D1̄ e + D2̄ x0).
• 알고리즘 1을 개발하여 기부ξ에 대해 PRIOR u로 몬테카를로 적분으로 A-OVE를 근사한다.
• 거래 비용이 있는 포트폴리오 문제를 특수화하여 이차 비용 형태와 명시적인 PTO/ETO/FPtP/A-OVE 해를 도출한다.

실험 결과

연구 질문

• RQ1 A-OVE가 VARMA(p,q) 불확실성 하에서 PTO/ETO 벤치마크보다 샘플 외 regret를 낮게 달성할 수 있는가?
• RQ2 VARMA에 대한 충분통계치를 어떻게 계산하고 이를 사용해 tractable한 A-OVE 해를 얻을 수 있는가?
• RQ3 A-OVE가 중간 정도의 모델 오기-specification에도 로버스트한가 그리고 합성 및 실제 데이터에서 어떻게 비교되는가?
• RQ4 ML 기반 PTO/ETO 접근법이 자동상관 설정에서 예측 정확도를 더 나은 의사결정 품질로 반드시 변환하는가?
• RQ5 거래 비용이 있는 포트폴리오 최적화에서 A-OVE의 성능은 오라클 대비 어떠한가?

주요 결과

• A-OVE는 다양한 차원(n=2,5,10 자산)에서 완전 정보 오라클에 비해 낮은 regret를 달성한다.
• A-OVE는 상대적 regret에서 일관되게 PTO/ETO ML 벤치마크를 능가하며, 신경망 및 트리 앙상블을 포함한 모델들에 대해 우수한 성능을 보인다.
• 학습 정확도가 높다고 해서 항상 의사결정 품질이 더 좋아지지 않으며, A-OVE는 학습을 다운스트림 최적화에 맞춘다.
• A-OVE는 작은 모델 오기-specification 하에서도 로버스트하며 문제 규모가 커질수록 경쟁력을 유지한다.
• 수학적 ETO는 잘 정의된 설정에서 잘 작동하지만 오기-specification 하에서는 불안정할 수 있으며, 이 경우 A-OVE가 더 유리하게 남는다.
• 실제 데이터에서 A-OVE는 강력한 예측 기반 방법들과 견주어도 일관되게 낮은 상대 regret를 달성한다.