というNBER論文が上がっている（H/T Mostly Economics、ungated(SSRN)版）。原題は「Machine Learning Meets Markowitz」で、著者はYijie Wang（同済大）、Hao Gao（清華大）、Campbell R. Harvey（デューク大）、Yan Liu（清華大）、Xinyuan Tao（ニュージャージー工科大）。
以下はその要旨。
The standard approach to portfolio selection involves two stages: forecast the asset returns and then plug them into an optimizer. We argue that this separation is deeply problematic. The first stage treats cross-sectional prediction errors as equally important across all securities. However, given that final portfolios might differ given distinct risk preferences and investment restrictions, the standard approach fails to recognize that the investor is not just concerned with the average forecast error - but the precision of the forecasts for the specific assets that are most important for their portfolio. Hence, it is crucial to integrate the two stages. We propose a novel implementation utilizing machine learning tools that unifies the expected return generation process and the final optimized portfolio. Our empirical example provides convincing evidence that our end-to-end method outperforms the traditional two-stage approach. In our framework, each investor has their own, endogenously determined, efficient frontier that depends on risk preferences, investor-specific constraints, as well as exposure to market frictions.
（拙訳）
ポートフォリオ選択の標準的な手法は、資産のリターンを予測し、それを最適化に掛ける、という二段階に分かれている。このように分離していることは、大いに問題である、と我々は主張する。第一段階では、クロスセクションの予測誤差を、全ての証券について同等に重要なものとして扱っている。しかし、個々のリスク選好と投資制約を考えると最終的なポートフォリオが違ってくるであろうことに鑑みると、標準的な手法は、投資家が平均的な予測誤差だけを気にしているわけではないということを見落としている。彼らのポートフォリオでは、特定の資産の予測の正確性が最も重要になるのである。従って、二段階を統合することが極めて重要になってくる。機械学習ツールを利用して期待リターン生成過程と最終的な最適ポートフォリオを統合する新たな方法を我々は提案する。我々の実証的な事例では、我々のエンドツーエンド手法*1が従来の二段階手法よりも優れているという説得力のある証拠を提供する。我々の枠組みでは、各投資家は、リスク選好、投資家固有の制約、および市場摩擦へのエクスポージャーに左右される、内生的に決定される自身の効率的フロンティアを有している。
