اسٹاکاسٹک ڈسکاؤنٹ فیکٹر پورٹ فولیوز کے لیے بازیافت سے تقویت یافتہ ڈفیوژن

خلاصہ

یہ کام RADAR پیش کرتا ہے، جو اسٹاکاسٹک ڈسکاؤنٹ فیکٹر فریم ورک کے تحت پورٹ فولیو آپٹیمائزیشن میں استعمال ہونے والی مارکیٹ کی حالتوں کی نمائندگی سیکھنے کا بازیافت سے تقویت یافتہ ڈفیوژن فریم ورک ہے۔ اس کی وجہ یہ ہے کہ منڈیاں مختلف نظاموں کے درمیان بدلتی ہیں، قیمتوں اور خبروں جیسے مالیاتی اِن پٹس میں شور ہوتا ہے، اور روایتی ڈفیوژن ماڈل یکساں گاؤسیائی شور عائد کر سکتے ہیں جو مختلف حالتوں میں بدلتی غیر یقینی کیفیت کی نمائندگی نہیں کرتا۔

RADAR مشابہ تاریخی نظام بازیافت کرکے سیاق و سباق کے مطابق شور کی تقسیم بناتا ہے، پھر کثیر الوسائط نمائندگیوں سے شور دور کرنے کے لیے مشروط ڈفیوژن استعمال کرتا ہے۔ یہ حالت کے مطابق غیر یقینی کیفیت کی نمائندگی کے لیے تجرباتی شماریات سے ڈفیوژن کا آغاز بھی کرتا ہے۔ مصنفین خطرے کے لحاظ سے بہتر پیمانے اور منافع و باہمی تعلق کے لیے معاشی طور پر بامعنی اشارے رپورٹ کرتے ہیں۔ اقتباس میں ڈیٹا سیٹس، بینچ مارکس، جائزے کے ادوار یا مخصوص پیمانوں کے نام نہیں، اس لیے ان نتائج کی قوت اور مختلف حالات میں افادیت کا اس وضاحت سے آزادانہ جائزہ ممکن نہیں۔

اہم خیالات

• RADAR اسٹاکاسٹک ڈسکاؤنٹ فیکٹر پورٹ فولیو آپٹیمائزیشن کے لیے مارکیٹ کی نمائندگی سیکھتا ہے۔
• مشابہ تاریخی نظام کی بازیافت سیاق و سباق کے مطابق شور کی تقسیم بنانے میں مدد دیتی ہے۔
• کثیر الوسائط مارکیٹ نمائندگیوں سے شور دور کرنے کے لیے مشروط ڈفیوژن استعمال کیا جاتا ہے۔
• طریقہ حالت کے مطابق غیر یقینی کیفیت ظاہر کرنے کے لیے تجرباتی شماریات سے ڈفیوژن شروع کرتا ہے۔
• رپورٹ کردہ نتائج میں خطرے کے لحاظ سے بہتر پیمانے شامل ہیں، اگرچہ اقتباس میں جائزے کی تفصیلات نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔