Portfolio Optimization Proxies under Label Scarcity and Regime Shifts via Bayesian and Deterministic Students under Semi-Supervised Sandwich Training
Este artigo propõe uma estrutura de otimização de portfólio assistida por aprendizado de máquina, projetada para ambientes com poucos dados e incerteza de regime. Ele utiliza um pipeline teacher-student onde um otimizador CVaR gera rótulos e modelos neurais (Bayesianos e determinísticos) são treinados com dados reais e sintéticos para superar a escassez de observações.