Diffusion augmentée par récupération pour les portefeuilles à facteur d’actualisation stochastique

Résumé

Ce travail propose RADAR, un cadre de diffusion augmenté par récupération pour apprendre des représentations des états de marché utilisées dans l’optimisation de portefeuille selon le cadre du facteur d’actualisation stochastique. Il part du constat que les marchés passent d’un régime à l’autre, que les données financières comme les cours et les actualités sont bruitées, et que les modèles de diffusion classiques peuvent imposer un bruit gaussien uniforme qui ne reflète pas les variations d’incertitude entre les états.

RADAR récupère des régimes historiques similaires pour créer des distributions de bruit dépendantes du contexte, puis utilise une diffusion conditionnelle pour débruiter des représentations multimodales. Il initialise également la diffusion à partir de statistiques empiriques afin de représenter l’incertitude dépendante de l’état. Les auteurs rapportent de meilleures mesures ajustées au risque et des signaux économiquement pertinents pour les rendements et les corrélations. L’extrait ne nomme ni les jeux de données, ni les méthodes de référence, ni les périodes d’évaluation, ni les mesures précises ; la solidité et la transférabilité de ces résultats ne peuvent donc pas être évaluées indépendamment à partir de cette description.

Idées clés

• RADAR apprend des représentations de marché pour l’optimisation de portefeuille selon le facteur d’actualisation stochastique.
• La récupération de régimes historiques similaires informe les distributions de bruit dépendantes du contexte.
• La diffusion conditionnelle sert à débruiter les représentations multimodales du marché.
• La méthode initialise la diffusion à partir de statistiques empiriques afin de refléter l’incertitude dépendante de l’état.
• Les résultats rapportés comprennent une amélioration des mesures ajustées au risque, mais l’extrait ne fournit pas de détails sur l’évaluation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.