स्टोकेस्टिक डिस्काउंट फ़ैक्टर पोर्टफ़ोलियो के लिए रिट्रीवल-ऑगमेंटेड डिफ्यूज़न
सारांश
यह कार्य RADAR प्रस्तावित करता है—स्टोकेस्टिक डिस्काउंट फ़ैक्टर ढाँचे के अंतर्गत पोर्टफ़ोलियो अनुकूलन में उपयोग होने वाले बाज़ार स्थिति निरूपण सीखने के लिए रिट्रीवल-ऑगमेंटेड डिफ्यूज़न ढाँचा। इसकी प्रेरणा यह है कि बाज़ार अलग-अलग व्यवस्थाओं के बीच बदलते हैं, कीमत और समाचार जैसे वित्तीय इनपुट शोरयुक्त होते हैं, और पारंपरिक डिफ्यूज़न मॉडल एकसमान गॉसियन शोर लागू कर सकते हैं, जो अलग-अलग स्थितियों में बदलती अनिश्चितता को नहीं दर्शाता।
RADAR समान ऐतिहासिक बाज़ार व्यवस्थाएँ पुनः प्राप्त करके संदर्भ-निर्भर शोर वितरण बनाता है, फिर बहु-माध्यम निरूपणों से शोर हटाने के लिए सशर्त डिफ्यूज़न का उपयोग करता है। स्थिति-निर्भर अनिश्चितता दर्शाने के लिए यह अनुभवजन्य आँकड़ों से डिफ्यूज़न आरंभ भी करता है। लेखक बेहतर जोखिम-समायोजित माप और रिटर्न तथा सहसंबंधों के लिए आर्थिक रूप से अर्थपूर्ण संकेतों की सूचना देते हैं। अंश में डेटासेट, आधार मॉडल, मूल्यांकन अवधि या विशिष्ट मापों के नाम नहीं हैं, इसलिए उन परिणामों की मज़बूती और पोर्टेबिलिटी का स्वतंत्र आकलन इस विवरण से संभव नहीं है।
मुख्य विचार
- RADAR स्टोकेस्टिक डिस्काउंट फ़ैक्टर पोर्टफ़ोलियो अनुकूलन के लिए बाज़ार निरूपण सीखता है।
- समान ऐतिहासिक बाज़ार व्यवस्थाओं की पुनर्प्राप्ति संदर्भ-निर्भर शोर वितरण बनाने में मदद करती है।
- बहु-माध्यम बाज़ार निरूपणों से शोर हटाने के लिए सशर्त डिफ्यूज़न का उपयोग किया जाता है।
- स्थिति-निर्भर अनिश्चितता दर्शाने के लिए विधि अनुभवजन्य आँकड़ों से डिफ्यूज़न शुरू करती है।
- बेहतर जोखिम-समायोजित माप बताए गए हैं, हालाँकि अंश में मूल्यांकन विवरण नहीं दिए गए।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।