ACFS: Neue Methode reduziert Risikooptimierung bei Unsicherheit

Die neu entwickelte Adaptive Conditional Forest Sampling (ACFS)-Methode bietet einen vielversprechenden Ansatz zur Minimierung von spektralen Risikozielen, die aus einer Kombination von Erwartungswert und Conditional Value-at-Risk (CVaR) bestehen. ACFS kombiniert vier aufeinander abgestimmte Phasen: die Approximation der Entscheidungsabhängigen Verteilung mittels Generalised Random Forests, eine globale Exploration unter Einsatz von CEM, eine gezielte Datenaugmentation basierend auf Ranggewichtung sowie ein zweistufiges Reranking von Surrogaten zu einer Oracle-Strategie, bevor eine mehrstufige Gradientenoptimierung erfolgt.

In umfangreichen Simulationen wurde ACFS an zwei unterschiedlichen Datenmodellen getestet – einer decision‑dependent Student‑t‑Copula und einer Gaussian‑Copula mit log‑normalen Randverteilungen. Für jede Konfiguration wurden 100 Wiederholungen durchgeführt, wobei drei verschiedene Strafgewichte berücksichtigt wurden.

Die Ergebnisse zeigen, dass ACFS bei der zweiten Benchmark die niedrigste mittlere Oracle‑Spektralrisikowerte erzielt und dabei Lücken von 6 % bis 20 % gegenüber dem etablierten GP‑BO-Ansatz übertrifft. Bei der ersten Benchmark liegen die mittleren Werte von ACFS und GP‑BO nahezu gleich, ACFS reduziert jedoch die Streuung der Ergebnisse um 1,8‑1,9‑fach bzw. 1,7‑2,0‑fach, was die Zuverlässigkeit der Laufzeit deutlich erhöht.

Darüber hinaus übertrifft ACFS in nahezu allen getesteten Szenarien die Alternativen CEM‑SO, SGD‑CVaR und KDE‑SO. Ablations- und Sensitivitätsanalysen bestätigen die Robustheit und den Beitrag der einzelnen Komponenten des Frameworks.