Retrieval-Augmented Diffusion für SDF-Portfolios

Zusammenfassung

Diese Arbeit schlägt RADAR vor, einen Retrieval-Augmented-Diffusionsrahmen, der Marktzustände für die Portfoliooptimierung im Rahmen des stochastischen Diskontfaktors repräsentiert. Ausgangspunkt ist, dass Märkte zwischen Regimen wechseln, Finanzdaten wie Preise und Nachrichten verrauscht sind und herkömmliche Diffusionsmodelle möglicherweise einheitliches Gaußsches Rauschen annehmen, das die je nach Zustand unterschiedliche Unsicherheit nicht abbildet.

RADAR ruft ähnliche historische Regime ab, um kontextabhängige Rauschverteilungen zu erzeugen, und nutzt anschließend bedingte Diffusion, um multimodale Repräsentationen zu entrauschen. Außerdem wird die Diffusion anhand empirischer Statistiken initialisiert, um zustandsabhängige Unsicherheit abzubilden. Die Autoren berichten bessere risikobereinigte Kennzahlen und wirtschaftlich aussagekräftige Signale für Renditen und Korrelationen. Der Ausschnitt nennt weder Datensätze und Vergleichsmodelle noch Auswertungszeiträume oder konkrete Kennzahlen. Aussagekraft und Übertragbarkeit der Ergebnisse lassen sich anhand dieser Beschreibung daher nicht eigenständig beurteilen.

Kernaussagen

• RADAR lernt Marktrepräsentationen für die Portfoliooptimierung mit stochastischem Diskontfaktor.
• Der Abruf ähnlicher historischer Regime liefert Informationen für kontextabhängige Rauschverteilungen.
• Bedingte Diffusion entrauscht multimodale Marktrepräsentationen.
• Das Verfahren initialisiert die Diffusion anhand empirischer Statistiken, um zustandsabhängige Unsicherheit abzubilden.
• Berichtet werden bessere risikobereinigte Kennzahlen; Einzelheiten zur Auswertung fehlen im Ausschnitt.

Schlagwörter

# Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor Portfolios


# Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor Portfolios









In this work, we study portfolio optimization under the stochastic discount factor (SDF) framework by learning market state representations that capture the underlying risk structures of financial data. This is challenging due to several factors: financial markets exhibit non-stationary dynamics with shifting regimes, multimodal inputs such as price and news data often contain stochastic noise, and existing diffusion-based approaches, while effective for modeling stochastic dynamics, rely on assumptions such as isotropic Gaussian noise that fail to capture the state-dependent nature of financial uncertainty. To address these challenges, we introduce RADAR, a retrieval-augmented diffusion framework that learns market representations by conditioning on similar historical regimes. RADAR leverages retrieval to construct context-dependent noise distributions, applies conditional diffusion to denoise multimodal representations, and initializes the diffusion process using empirical statistics to reflect state-dependent uncertainty. Experiments show that RADAR achieves state-of-the-art performance on key risk-adjusted metrics while producing economically meaningful signals on asset returns and correlations.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.