Диффузионная модель с поиском аналогов для портфелей на основе SDF

Сводка

В работе предлагается RADAR — диффузионный подход с поиском похожих примеров для обучения представлений состояний рынка, используемых при оптимизации портфеля в рамках стохастического дисконтирующего фактора. Подход мотивирован тем, что рынки переходят между режимами, финансовые данные, например цены и новости, зашумлены, а стандартные диффузионные модели могут задавать равномерный гауссовский шум, который не отражает изменение неопределённости между состояниями.

RADAR находит похожие исторические режимы для построения контекстно-зависимых распределений шума, а затем использует условную диффузию для устранения шума в мультимодальных представлениях. Кроме того, процесс диффузии инициализируется эмпирической статистикой, чтобы отразить неопределённость, зависящую от состояния рынка. Авторы сообщают об улучшении метрик с поправкой на риск и об экономически осмысленных сигналах для доходности и корреляций. В отрывке не названы наборы данных, базовые модели, периоды оценки или конкретные метрики, поэтому по этому описанию нельзя независимо оценить силу и переносимость результатов.

Ключевые идеи

• RADAR обучает представления рынка для оптимизации портфеля в рамках стохастического дисконтирующего фактора.
• Поиск похожих исторических режимов помогает формировать контекстно-зависимые распределения шума.
• Для устранения шума в мультимодальных представлениях рынка используется условная диффузия.
• Метод инициализирует диффузию эмпирической статистикой, чтобы учитывать неопределённость, зависящую от состояния рынка.
• Среди сообщаемых результатов — улучшение метрик с поправкой на риск, хотя в отрывке нет подробностей об оценке.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.