Safe Portfolio Learning from Untrusted Predictions: Signed Trust, Abstention, and Cross-Universe Polarity Failure
Pubblicata su AIChronos il · fonte del · Amirhossein MohammadpourAzari, Mohammad Zarei, MohammadAmin Fazli
Il paper propone un framework per l'apprendimento di portafogli finanziari che integra previsioni non fidate tramite azioni adattive (Safe, Follow, Reverse) e meccanismi di sicurezza come gate basati su evidenze. L'architettura utilizza ricompense mature relative alla strategia Safe per aggiornare le probabilità delle azioni, garantendo un budget collaterale ritardato per gestire i peggiori casi in caso di fallimento predittivo. Su dataset reali a 24 e 82 titoli, l'approccio mantiene la protezione del patrimonio entro margini strettissimi rispetto al benchmark Safe senza dimostrare alpha generico.
- Implementazione di un controller che seleziona dinamicamente tra azioni Safe (difesa), Follow (seguito) e Reverse (inversione).
- Utilizzo di una porta basata su evidenze per l'astensione, trasferendo la probabilità direzionale non supportata alla strategia Safe.
- Gestione del ritardo nei feedback tramite un budget collaterale che riserva capacità contro le perdite peggiori prima dell'esposizione al rischio.
- Validazione empirica mostra che invertire permanentemente il segno delle previsioni (da Reverse a Follow) non recupera l'edge sui rendimenti su dataset holdout congelati.
- L'architettura porta un certificato duale che traccia il rimpianto (regret) rispetto alle sequenze di azioni sotto intervento monolatero e ritardo.
Perché conta. Per uno sviluppatore di agenti AI o sistemi locali, questo approccio è rilevante perché illustra come integrare output non fidati da modelli LLM in loop decisionali critici senza assumere la correttezza delle previsioni. Fornisce un modello per gestire l'incertezza e il ritardo nei feedback tipici degli ambienti reali, applicando principi di 'safe-by-design' simili a quelli richiesti quando si affidano decisioni autonome ad agenti.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.