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

Este artículo propone un marco de optimización de cartera asistido por aprendizaje automático, diseñado para entornos con pocos datos y cambios de régimen inciertos. Emplea un pipeline de aprendizaje profesor-alumno donde un optimizador CVaR genera etiquetas y modelos neuronales son entrenados con datos reales y sintéticos para superar la escasez de observaciones.