Difusión con recuperación para carteras basadas en factores de descuento estocásticos

Resumen

Este trabajo propone RADAR, un marco de difusión aumentado con recuperación para aprender representaciones de estados de mercado utilizadas en la optimización de carteras dentro del marco de factores de descuento estocásticos. El enfoque parte de que los mercados cambian de régimen, que los datos financieros como los precios y las noticias contienen ruido, y que los modelos de difusión convencionales pueden imponer un ruido gaussiano uniforme que no refleja la variación de la incertidumbre entre estados.

RADAR recupera regímenes históricos similares para crear distribuciones de ruido dependientes del contexto y, después, utiliza difusión condicional para eliminar el ruido de representaciones multimodales. También inicializa la difusión a partir de estadísticas empíricas para representar la incertidumbre dependiente del estado. Los autores comunican mejores métricas ajustadas por riesgo y señales económicamente significativas para las rentabilidades y las correlaciones. El fragmento no identifica los conjuntos de datos, los referentes, los periodos de evaluación ni las métricas concretas, por lo que no es posible evaluar de forma independiente la solidez y portabilidad de esos resultados a partir de esta descripción.

Ideas clave

• RADAR aprende representaciones del mercado para optimizar carteras con factores de descuento estocásticos.
• La recuperación de regímenes históricos similares permite crear distribuciones de ruido dependientes del contexto.
• Se utiliza difusión condicional para eliminar el ruido de representaciones multimodales del mercado.
• El método inicializa la difusión con estadísticas empíricas para reflejar la incertidumbre dependiente del estado.
• Los resultados comunicados incluyen mejores métricas ajustadas por riesgo, aunque el fragmento no proporciona detalles de evaluación.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.