用于随机贴现因子投资组合的检索增强扩散模型

文章 arXiv papers · 作者: Kelvin J. L. Koa et al.

总结

本文提出RADAR，一种检索增强扩散框架，用于学习随机贴现因子框架下投资组合优化所需的市场状态表示。其动机是市场会在不同状态之间转换，价格和新闻等金融输入存在噪声，而传统扩散模型可能施加均匀的高斯噪声，无法反映不同状态下的不确定性变化。

RADAR检索相似的历史市场状态，生成依赖具体情境的噪声分布，再通过条件扩散对多模态表示去噪。它还根据经验统计量初始化扩散过程，以表示随状态变化的不确定性。作者报告称，风险调整后指标有所改善，收益和相关性信号具有经济意义。摘录没有说明数据集、基准模型、评估时期或具体指标，因此无法根据该描述独立评估这些结果的力度和适用范围。

核心观点

RADAR学习用于随机贴现因子投资组合优化的市场表示。
检索相似的历史市场状态，为构建依赖具体情境的噪声分布提供信息。
该方法使用条件扩散对多模态市场表示去噪。
该方法依据经验统计量初始化扩散过程，以反映随状态变化的不确定性。
报告结果包括风险调整后指标改善，但摘录没有提供评估细节。

# 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.

在遵守原作品许可的前提下，附作者信息全文展示。许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。

用于随机贴现因子投资组合的检索增强扩散模型

总结

核心观点

标签