主要观点：
　　本篇是“学海拾珠”系列第一百七十三篇，研究了基于端到端神经网络对于资产配置的应用。首先，作者结合以往的研究，用七种资产构成了一个资产组合，以夏普比率作为调优的目标函数来训练端对端的神经网络，经过训练和超参数调整，得到了优于名义风险平价的模型，并通过了显著性检测。此外，作者还在风险预算层之后嵌入了一组随机门控器用于控制相应的资产风险预算，从而避免投资组合由于低波动性承担损失。该模型取得良好的效果，并且优于其他模型。
　　回到国内市场，风险预算是资产配置领域中一类经典的模型，通过神经网络改进原有模型的不足，并实现端对端学习有助于提升组合表现。
　　端到端学习方法的创新应用
　　本文通过端到端的学习方法来解决投资组合优化问题，将预测和优化任务集成到一个全连接的神经网络中。这种方法避免了直接训练相关参数，而是用神经网络自主地确定用于估计的参数的最优值。通过与其他模型进行比较，这种集成方法提供了一种更有效的方式来处理和解决复杂的投资策略问题。
　　引入随机门控机制
　　本文将资产选择特性引入风险分配投资组合，通过随机门控机制过滤掉不希望持有的资产。这种机制有助于提升投资组合的整体表现，并在实证中超越基准。这种策略的引入可能是对传统投资组合策略的重要改进，提供了一种在保持投资组合分散化的同时提高资产选择质量的方法。
　　框架整合了预测与优化任务
　　本文通过集成预测和优化任务，在一个端到端的学习框架中提出了一种创新的投资组合优化方法。这种方法使用无模型和有模型网络在模型的解释性和复杂性之间提供不同的权衡。资产选择功能的引入进一步增强了基于风险分配的投资组合的整体表现，并降低了组合的风险。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。