Ítem
Acceso Abierto
Stability focused end to end frameworks for risk budgeting portfolios
Título de la revista
Autores
Parra-Diaz, Manuel
Castro Iragorri, Carlos Alberto
Archivos
Fecha
2025-03-05
Directores
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Los avances recientes en el aprendizaje profundo han impulsado el desarrollo de marcos de trabajo de extremo a extremo para la optimización de carteras que utilizan capas implícitas. Sin embargo, muchas de estas implementaciones son altamente sensibles a la inicialización de la red neuronal, lo que afecta la consistencia del rendimiento. Esta investigación presenta un marco de trabajo robusto de extremo a extremo diseñado para carteras de asignación de riesgo, que reduce eficazmente la sensibilidad a la inicialización. Es importante destacar que esta mayor estabilidad no compromete el rendimiento de la cartera, ya que nuestro marco supera de manera consistente el punto de referencia de paridad de riesgo.
Abstract
Recent advances in deep learning have spurred the development of end-to-end frameworks for portfolio optimization that utilize implicit layers. However, many such implementations are highly sensitive to neural network initialization, undermining performance consistency. This research introduces a robust end-to-end framework tailored for risk budgeting portfolios that effectively reduces sensitivity to initialization. Importantly, this enhanced stability does not compromise portfolio performance, as our framework consistently outperforms the risk parity benchmark.
Palabras clave
Marco de trabajo de extremo a extremo , Redes neuronales , Asignación de riesgo , Estabilidad
Keywords
End to end framework , Neural networks , Risk budgeting , Stability
