Difusão com Recuperação para Carteiras com Fator de Desconto Estocástico

Resumo

Este trabalho propõe RADAR, uma estrutura de difusão com recuperação para aprender representações dos estados do mercado usadas na otimização de carteiras sob a estrutura de fator de desconto estocástico. A motivação é que os mercados alternam entre regimes, dados financeiros como preços e notícias contêm ruído, e modelos de difusão convencionais podem impor ruído gaussiano uniforme que não reflete a incerteza variável entre estados.

RADAR recupera regimes históricos semelhantes para criar distribuições de ruído dependentes do contexto e, em seguida, usa difusão condicional para reduzir o ruído em representações multimodais. Também inicializa a difusão a partir de estatísticas empíricas para representar a incerteza dependente do estado. Os autores relatam métricas ajustadas ao risco melhores e sinais economicamente relevantes para retornos e correlações. O trecho não identifica os conjuntos de dados, as referências de comparação, os períodos de avaliação nem as métricas específicas; portanto, não é possível avaliar de forma independente a força e a portabilidade desses resultados com base nesta descrição.

Ideias principais

• RADAR aprende representações do mercado para otimizar carteiras com fator de desconto estocástico.
• A recuperação de regimes históricos semelhantes orienta distribuições de ruído dependentes do contexto.
• A difusão condicional é usada para reduzir o ruído em representações multimodais do mercado.
• O método inicializa a difusão com estatísticas empíricas para refletir a incerteza dependente do estado.
• Os resultados relatados incluem medidas ajustadas ao risco melhores, embora o trecho não forneça detalhes da avaliação.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.