predict-then-optimize

本文提出了一种鲁棒化的智能预测-然后-优化变体，该变体考虑了特征扰动的影响，提供了一个具有理论保证的凸替代函数，并展示了相较于标准方法的优越性能。

提出学习预测性模糊集（LPAS）用于分布鲁棒优化，其中深度上下文模型输出名义情景分布、状态依赖的Wasserstein半径和基础度量，并通过决策损失和校准进行训练。应用于S&P 500数据的投资组合优化，该方法实现了更高的回报和夏普比率，同时相比于固定半径基线减少了保守性。