Portfolio Optimization Proxies under Label Scarcity and Regime Shifts via Bayesian and Deterministic Students under Semi-Supervised Sandwich Training

Diese Arbeit stellt ein maschinelles Lern-basiertes Portfolio-Optimierungsframework vor, das für datenarme Umgebungen und Regimeunsicherheit entwickelt wurde. Es verwendet eine Teacher-Student-Pipeline, in der ein Conditional Value at Risk (CVaR)-Optimierer Labels generiert und neuronale Modelle mittels realer und synthetisch augmentierter Daten trainiert werden, um die Beobachtungsknappheit zu überwinden.