انتشار مبتنی بر بازیابی برای سبدهای عامل تنزیل تصادفی
خلاصه
این پژوهش RADAR را پیشنهاد می‌کند؛ چارچوبی مبتنی بر بازیابی و فرایند انتشار برای یادگیری بازنمایی‌های وضعیت بازار که در بهینه‌سازی سبد تحت چارچوب عامل تنزیل تصادفی به کار می‌روند. انگیزه این رویکرد آن است که بازارها میان رژیم‌ها جابه‌جا می‌شوند، داده‌های مالی مانند قیمت‌ها و اخبار پرنویز هستند و مدل‌های متعارف فرایند انتشار ممکن است نویز گاوسی یکنواختی تحمیل کنند که تغییرات عدم‌قطعیت در وضعیت‌های مختلف را بازتاب نمی‌دهد.
RADAR رژیم‌های تاریخی مشابه را بازیابی می‌کند تا توزیع‌های نویز وابسته به بافت بسازد و سپس از انتشار شرطی برای نویززدایی بازنمایی‌های چندوجهی بهره می‌گیرد. همچنین انتشار را از آمار تجربی مقداردهی اولیه می‌کند تا عدم‌قطعیت وابسته به وضعیت را بازنمایی کند. نویسندگان معیارهای تعدیل‌شده برحسب ریسک بهتر و سیگنال‌های معنادار اقتصادی برای بازده‌ها و همبستگی‌ها را گزارش می‌کنند. گزیده مجموعه‌داده‌ها، معیارهای مبنا، دوره‌های ارزیابی یا معیارهای مشخص را نام نمی‌برد؛ بنابراین از روی این شرح نمی‌توان قدرت و قابلیت انتقال نتایج را مستقل ارزیابی کرد.
ایده‌های کلیدی
- RADAR بازنمایی‌های بازار را برای بهینه‌سازی سبد با عامل تنزیل تصادفی یاد می‌گیرد.
- بازیابی رژیم‌های تاریخی مشابه، توزیع‌های نویز وابسته به بافت را شکل می‌دهد.
- برای نویززدایی بازنمایی‌های چندوجهی بازار از فرایند انتشار شرطی استفاده می‌شود.
- روش، فرایند انتشار را با استفاده از آمار تجربی مقداردهی اولیه می‌کند تا عدم‌قطعیت وابسته به وضعیت را بازتاب دهد.
- نتایج گزارش‌شده شامل بهبود معیارهای تعدیل‌شده برحسب ریسک است، هرچند جزئیات ارزیابی در گزیده ارائه نشده‌اند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.