[en] POLIEDRO: A NOVEL ANALYTICS FRAMEWORK WITH NON-PARAMETRIC DATA-DRIVEN REGULARIZATION

[pt] POLIEDRO: UM NOVO FRAMEWORK ANALÍTICO COM REGULARIZAÇÃO NÃO PARAMÉTRICA ORIENTADA POR DADOS

[pt] TOMAS FREDERICO MACIEL GUTIERREZ

[pt] OTIMIZACAO DE PORTFOLIO

[pt] ANALISE PRESCRITIVA

[pt] APRENDIZADO DE MAQUINA

[pt] ANALISE PREDITIVA

[pt] OTIMIZACAO ROBUSTA A DISTRIBUICOES

[en] PORTFOLIO OPTIMIZATION

[en] PRESCRITIVE ANALYSIS

[en] MACHINE LEARNING

[en] PREDICTIVE ANALYSIS

[en] DISTRIBUTIONALLY ROBUST OPTIMIZATION

[pt] PolieDRO é um novo framework com aplicações tanto no âmbito preditivo quanto prescritivo. Ela aproveita o poder e a flexibilidade da Otimização Robusta a Distribuições (DRO) orientada por dados para evitar a necessidade de hiperparâmetros de regularização, ao mesmo tempo em que extrai estrutura dos dados subjacentes. No âmbito preditivo, a literatura recente mostra que métodos tradicionais de aprendizado de máquina, como SVM e (square-root) LASSO, podem ser formulados como problemas de DRO baseados em métricas de distância de Wasserstein. Inspirados por esses resultados, propomos um conjunto de ambiguidades sem hiperparâmetros que explora a estrutura poliédrica de invólucros convexos orientados por dados, gerando métodos de regressão e classificação computacionalmente viáveis para qualquer função de perda convexa. Resultados numéricos baseados em 100 bancos de dados do mundo real e um extenso experimento com dados gerados sinteticamente mostram que nossos métodos superam consistentemente seus equivalentes tradicionais. No âmbito prescritivo, desenvolvemos um modelo de otimização de portfólio no qual a abordagem DRO é empregada simultaneamente nos níveis de risco e retorno. Aplicando este modelo a dados financeiros reais que abrangem várias décadas, alcançamos um desempenho consistentemente superior em comparação com um benchmark tradicional.

[en] PolieDRO is a novel analytics framework with applications to both predictive and prescriptive realms. It harnesses the power and flexibility of Data-Driven Distributionally Robust Optimization (DRO) to circumvent the need for regularization hyperparameters, while extracting structure from the underlying data. In the field of predictive modeling, recent literature shows that traditional machine learning methods such as SVM and (square-root) LASSO can be written as Wasserstein-based DRO problems. Inspired by those results we propose a hyperparameter-free ambiguity set that explores the polyhedral structure of data-driven convex hulls, generating computationally tractable regression and classification methods for any convex loss function. Numerical results based on 100 real-world databases and an extensive experiment with synthetically generated data show that our methods consistently outperform their traditional counterparts. In the prescriptive realm, we develop a portfolio optimization model that employs the DRO approach simultaneously at the risk and return levels. Applying this model to real financial data spanning several decades, we achieve consistent superior performance compared to a benchmark.

DAVI MICHEL VALLADAO

BERNARDO KULNIG PAGNONCELLI

ALEXANDRE STREET DE AGUIAR

BERNARDO KULNIG PAGNONCELLI

DAVI MICHEL VALLADAO

BRUNO FANZERES DOS SANTOS

JOAQUIM MASSET LACOMBE DIAS GARCIA

TITO HOMEM-DE-MELLO

HAMED RAHIMIAN

2025-03-31

2024-09-25

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69781@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69781@2

https://doi.org/10.17771/PUCRio.acad.69781