Neues ML-Framework optimiert Portfolios bei Datenknappheit und Regimewechseln

Eine kürzlich veröffentlichte Studie aus dem arXiv-Repository präsentiert ein innovatives Machine‑Learning‑gestütztes Portfolio‑Optimierungsmodell, das speziell für Umgebungen mit begrenzten Datenmengen und sich schnell ändernden Marktregimen entwickelt wurde. Das Konzept kombiniert klassische Risikomanagement‑Techniken mit modernen neuronalen Netzwerken, um robuste Anlageentscheidungen zu ermöglichen.

Im Kern nutzt das System einen „Teacher‑Student“-Ansatz: Ein Conditional Value at Risk (CVaR) Optimierer liefert die Ausgangslabels, während zwei unterschiedliche neuronale Architekturen – ein bayessches und ein deterministisches Modell – darauf trainiert werden. Um die knappe Menge von 104 gelabelten Beobachtungen zu erweitern, erzeugt ein faktorbasiertes Modell synthetische Daten, die t‑Copula‑Residuals verwenden. Dadurch kann das Training weit über die reale Stichprobe hinausgehen und die Modelle mit einer breiteren Vielfalt an Szenarien konfrontieren.

Die Leistung der vier Student‑Modelle wurde in einem strukturierten Experimentenschema geprüft, das drei Hauptbereiche umfasst: kontrollierte synthetische Tests mit einem 3×5‑Seed‑Grid, In‑Distribution‑Bewertungen anhand echter Marktdaten (C2A) sowie Cross‑Universe‑Generalisation (D2A). In realen Marktbedingungen wurden die Modelle in einem rollierenden Evaluationsprotokoll eingesetzt, bei dem ein vortrainiertes Modell periodisch auf aktuelle Beobachtungen feinjustiert und anschließend wieder auf seinen Basiszustand zurückgesetzt wird, um Stabilität zu gewährleisten und gleichzeitig begrenzte Anpassungen zu ermöglichen.

Die Ergebnisse zeigen, dass die Student‑Modelle in mehreren Szenarien die Leistung des CVaR‑Teachers erreichen oder sogar übertreffen. Sie demonstrieren zudem eine verbesserte Robustheit gegenüber Regimewechseln und einen geringeren Handelsumschlag. Diese Befunde unterstreichen das Potenzial hybrider Optimierungs‑Learning‑Ansätze, die Portfolio‑Konstruktion in datenbeschränkten Umgebungen signifikant zu verbessern und gleichzeitig die Stabilität und Effizienz der Handelsstrategien zu erhöhen.