Portfolio-Optimierungs-Proxies unter Label-Knappheit und Regime-Shifts via Bayesian und Deterministic Students unter Semi-Supervised Sandwich Training

arXiv:2604.14206v1 Dieses Paper schlägt ein Machine-Learning-gestütztes Portfolio-Optimierungs-Framework für datengeringe Umgebungen und Regime-Unsicherheit vor. Es konstruiert eine Teacher-Student-Learning-Pipeline, in der ein CVaR-Optimizer generiert wird.