Khuếch tán tăng cường truy xuất cho danh mục theo hệ số chiết khấu ngẫu nhiên

Tóm tắt

Công trình này đề xuất RADAR, một khuôn khổ khuếch tán tăng cường truy xuất để học biểu diễn trạng thái thị trường dùng trong tối ưu hóa danh mục theo khuôn khổ hệ số chiết khấu ngẫu nhiên. Động lực của phương pháp là thị trường chuyển đổi giữa các chế độ, dữ liệu tài chính như giá và tin tức có nhiễu, còn các mô hình khuếch tán thông thường có thể áp dụng nhiễu Gaussian đồng nhất, không phản ánh sự bất định thay đổi giữa các trạng thái.

RADAR truy xuất các chế độ lịch sử tương tự để tạo phân phối nhiễu phụ thuộc vào ngữ cảnh, sau đó dùng khuếch tán có điều kiện để khử nhiễu các biểu diễn đa phương thức. Phương pháp cũng khởi tạo khuếch tán từ thống kê thực nghiệm nhằm biểu diễn sự bất định phụ thuộc trạng thái. Các tác giả báo cáo các thước đo điều chỉnh theo rủi ro tốt hơn và tín hiệu có ý nghĩa kinh tế cho lợi suất và tương quan. Trích đoạn không nêu bộ dữ liệu, chuẩn đối chiếu, giai đoạn đánh giá hay thước đo cụ thể, nên không thể tự đánh giá độ mạnh và khả năng áp dụng rộng của kết quả từ mô tả này.

Ý chính

• RADAR học biểu diễn thị trường để tối ưu hóa danh mục theo hệ số chiết khấu ngẫu nhiên.
• Truy xuất các chế độ lịch sử tương tự giúp xác định phân phối nhiễu phụ thuộc vào ngữ cảnh.
• Khuếch tán có điều kiện được dùng để khử nhiễu các biểu diễn thị trường đa phương thức.
• Phương pháp khởi tạo khuếch tán từ thống kê thực nghiệm để phản ánh sự bất định phụ thuộc trạng thái.
• Kết quả được báo cáo gồm các thước đo điều chỉnh theo rủi ro cải thiện, dù trích đoạn không cung cấp chi tiết đánh giá.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.