Decision by Supervised Learning (DSL) is a framework for robust portfolio optimization.
It redefines portfolio construction as a supervised learning task to predict optimal weights.
DSL uses Deep Ensembles to enhance stability and reduce variance in portfolio allocations.
In dynamic market conditions, DSL shows superior performance in the S&P 500 universe.
It achieves the best cumulative return, Sharpe ratio, and Sortino ratio in most configurations.
Conséquences
- DSL outperforms traditional strategies in cumulative return.
- It yields higher Sharpe ratios than other methods.
- DSL also achieves superior Sortino ratios.
- These results are consistent across various experimental settings.
- The framework demonstrates robustness in challenging market environments.
Une phrase: la performance supérieure du DSL est conditionnelle, pas universelle.
Sa robustesse repose sur des données stables et des relations de marché constantes, ce qui est rarement le cas.
Un choc réglementaire imprévu ou une divergence prolongée entre les marchés mondiaux et le S&P 500, comme un conflit géopolitique majeur affectant des industries spécifiques, rendrait ses prédictions caduques.
La parsimonie dicte de reconnaître ces limites avant d'extrapoler; la complexité du monde réel dépasse les modèles les plus sophistiqués.