[论文解读] Robust Optimal Portfolio in a Mixture Setting with Partial Ambiguity

N. D. Shyamalkumar, Tianrun Wang|arXiv (Cornell University)|Mar 1, 2026

Risk and Portfolio Optimization被引用 0

一句话总结

论文提出一种混合不确定性鲁棒投资组合框架，用于均值-方差和均值-CVaR目标，通过投影子梯度下降法求解，具有可证明的收敛速率；在不确定性增加时，收敛到等权重的情形。

ABSTRACT

Managing insurance and financial risk when data is limited is a key task in the insurance industry. In this paper, we focus on cases where the risk distribution is modeled as a mixture with some components estimable to high precision or known, and others, along with their weights, are not. Our paper addresses two robust portfolio optimization problems with partial ambiguity, where the loss function involves either variance or conditional value-at-risk (CVaR). We use a projected subgradient descent algorithm to solve the optimization problems. The problem reduces to a convex-nonconcave minimax problem. We show that, while the general problem converges at an $O(1/\sqrt{k})$ rate, where $k$ denotes the number of iterations, exponential convergence is possible in some cases. Lastly, we provide numerical examples to show the effectiveness of our approach and the attainment of a geometric convergence rate. This work aims to provide more effective solutions for actuarial decision-making under model uncertainty.

研究动机与目标

• 通过用两分量混合和未知权重对回报进行建模，激励鲁棒资产配置。
• 将分布鲁棒优化（DRO）问题表述为在混合不确定集合内的最坏分布下最小化非利无用性。
• 开发一个可行的最小-最大重构以及计算鲁棒投资组合的算法。
• 建立收敛速率并研究鲁棒投资组合在不确定性增加时的渐近行为。

提出的方法

• 用两种-regime 的混合来建模回报 R，并用 Wasserstein 球在已知 regime 周围定义一个不确定集合。
• 将 Opt 1 问题转化为一个包含对名义混合权重邻域内的 q 的上确界以及在 Wasserstein 球中的分布的最大值的最小-最大问题。
• 通过投影到单纯形的投影的投影子梯度下降算法求解得到的鲁棒问题，以强制预算约束。
• 给出单纯形投影的闭式表达式以及利用 Danskin 定理和对偶性结果得到的子梯度。
• 推导并利用辅助函数 psi 和 V 来表达最大-最小结构并实现可处理的计算。
• 给出收敛性性质（一般为 O(1/√T)，在某些光滑性/凸性条件下具有指数收敛）以及在不确定性增大时鲁棒解趋近于 1/N 投资组合的条件。

实验结果

研究问题

• RQ1 当回报分布具有未知权重的两分量混合时，如何将鲁棒均值-方差和均值-CVaR 投资组合问题形式化？
• RQ2 对于此类混合不确定性 DRO 问题，什么是可行的最小-最大重构，如何高效求解？
• RQ3 这些问题的投影子梯度法的收敛性质如何，在何种条件下可以实现指数收敛？
• RQ4 随着不确定性半径增大，鲁棒投资组合的行为如何（例如是否收敛到等权重投资组合）？

主要发现

• 带部分混合不确定性的优化问题简化为可通过投影子梯度下降法求解的最小-最大问题。
• 该算法在一般情况下的收敛速率为 O(1/√T)，在附加光滑性/凸性条件下可能实现指数收敛。
• 在均值-方差设定下，该方法通过辅助函数和 Wasserstein 组件的对偶表示实现了可处理的表示。
• 在均值-CVaR设定下，该框架扩展以在非利无用性中包含 CVaR，同时保持可处理性。
• 数值结果表明 DRO 投资组合在样本外非利无用性相较于 SAA 有所提升，且不确定性半径增大时，最优投资组合收敛到 1/N（等权）投资组合。