論文の概要: Crisis-Aware Regime-Conditioned Diffusion with CVaR Allocation
- arxiv url: http://arxiv.org/abs/2510.10807v1
- Date: Sun, 12 Oct 2025 20:56:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.115839
- Title: Crisis-Aware Regime-Conditioned Diffusion with CVaR Allocation
- Title（参考訳）: CVaRアロケーションを用いた危機対応レジーム拡散
- Authors: Ali Atiah Alzahrani,
- Abstract要約: コンベックスCVaRアロケータと組み合わされたレシエーション条件付き生成シナリオが、レシエーションシフトの下でポートフォリオ決定を改善するか否かを検討する。
ガウスHMMを用いて潜伏状態を予測するMulti-Agent Regime-Conditioned Diffusion (MARCD)を導入する。
本論では, 重み付き拡散とCVaRギャップのスペクトルリスク制御をリンクする理論, アロケータのオラクル/整合性, およびリプシッツ/レグレット保証について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study whether regime-conditioned generative scenarios, coupled with a convex CVaR allocator, improve portfolio decisions under regime shifts. We introduce Multi-Agent Regime-Conditioned Diffusion (MARCD), which (i) infers latent regimes via a Gaussian HMM, (ii) trains a diffusion model with a tail-weighted objective and a regime-specialized mixture-of-experts (MoE) denoiser to enrich crisis co-movements, and (iii) feeds the generated scenarios into a turnover-aware CVaR epigraph quadratic program with explicit governance. In strict walk-forward tests on liquid multi-asset ETFs (2005-2025), MARCD outperforms standard allocators and improves calibration relative to popular generators. Over 2020-2025 out-of-sample (monthly; 10 bps), MARCD attains Sharpe 1.23 (BL 1.02) and MaxDD 9.3 percent (BL 14.1 percent), a 34 percent reduction, at comparable turnover; stationary block-bootstrap intervals indicate the Sharpe uplift is significant at 5 percent. We provide theory linking tail-weighted diffusion to spectral-risk control of the decision-relevant CVaR gap, oracle/consistency results for the regime-MoE denoiser, and Lipschitz/regret guarantees for the allocator. Together, MARCD offers a reproducible bridge from tail-faithful scenario modeling to governed portfolio decisions with materially improved drawdown control.
- Abstract（参考訳）: コンベックスCVaRアロケータと組み合わされたレシエーション条件付き生成シナリオが、レシエーションシフトの下でポートフォリオ決定を改善するか否かを検討する。
MARCD(Multi-Agent Regime-Conditioned Diffusion)を紹介する。
(i)ガウスHMMを介して潜伏政権を推定する。
二 危機共同行動の強化を図るため、尾重み付き目標と体制特化混合試験器(MoE)デノイザーによる拡散モデルを訓練すること。
(iii) 生成されたシナリオを明示的なガバナンスを伴うターンオーバー対応CVaRエピグラフ二次プログラムに供給する。
液体マルチアセストETF(2005-2025)の厳格なウォークフォワード試験では、MARCDは標準アロケータより優れ、一般的な発電機と比較して校正精度が向上する。
2020-2025年のアウト・オブ・サンプル(月10bps)で、MARCDはシャープ1.23(BL 1.02)とマックスDD9.3%(BL 14.1%)を達成し、同じターンオーバーで34%削減した。
本論では, 重み付き拡散とCVaRギャップのスペクトルリスク制御をリンクする理論, アロケータのオラクル/整合性, およびリプシッツ/レグレット保証について述べる。
MARCDは、テール忠実なシナリオモデリングから、実質的に改善されたドローダウン制御を備えたポートフォリオ決定まで、再現可能なブリッジを提供する。
関連論文リスト
- HydroFusion-LMF: Semi-Supervised Multi-Network Fusion with Large-Model Adaptation for Long-Term Daily Runoff Forecasting [3.3915788299794767]
ハイドロフュージョン-LMFは非定常性を低減するためにトレンド-残留分解を行う。
専門的なアウトプットを、水文学的な文脈認識ゲートを通じて融合させ、日々のフェーズで条件付けする。
MSE 1.0128 / MAE 0.5818を10年毎のデータセットで取得する。
論文 参考訳（メタデータ） (2025-10-04T09:09:06Z) - MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。
我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。
数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
論文 参考訳（メタデータ） (2025-09-25T14:58:29Z) - Adversarial Distribution Matching for Diffusion Distillation Towards Efficient Image and Video Synthesis [65.77083310980896]
本稿では, 実測値と偽測値の間に潜時予測を整列させる適応分布マッチング (ADM) を提案する。
提案手法は,DMD2と比較してSDXLの1ステップ性能に優れ,GPU時間が少ない。
SD3-Medium, SD3.5-Large, CogVideoX に多段階の ADM 蒸留を適用した実験では, 画像と映像の効率的な合成に向けた新しいベンチマークが設定された。
論文 参考訳（メタデータ） (2025-07-24T16:45:05Z) - Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。
提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。
実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
論文 参考訳（メタデータ） (2024-10-24T13:41:32Z) - SCott: Accelerating Diffusion Models with Stochastic Consistency Distillation [74.32186107058382]
本稿では,テキスト・画像の高速生成を実現するために,SCott(Consistency Distillation)を提案する。
SCottは、訓練済みの教師モデルの通常の微分方程式解法に基づくサンプリングプロセスを学生に蒸留する。
安定拡散V1.5教師によるMSCOCO-2017 5Kデータセットでは、SCottは2ステップのサンプリングステップを持つ21.9のFIDを達成し、1ステップのInstaFlow (23.4)と4ステップのUFOGen (22.1)を上回ります。
論文 参考訳（メタデータ） (2024-03-03T13:08:32Z) - Distributionally Robust Multiclass Classification and Applications in
Deep Image Classifiers [9.979945269265627]
マルチクラスロジスティック回帰(MLR)のための分布ロバスト最適化(DRO)の定式化を開発する。
本研究では,新しいランダムトレーニング手法を採用することにより,試験誤差率を最大83.5%,損失を最大91.3%削減することを示した。
論文 参考訳（メタデータ） (2022-10-15T05:09:28Z) - Distributionally Robust Multiclass Classification and Applications in
Deep Image Classifiers [3.179831861897336]
マルチクラスロジスティック回帰(MLR)のための分布ロバスト最適化(DRO)の定式化を開発する。
本研究では,新しいランダムトレーニング手法を採用することにより,試験誤差率を最大83.5%,損失を最大91.3%削減することを示した。
論文 参考訳（メタデータ） (2021-09-27T02:58:19Z) - Robustified Multivariate Regression and Classification Using
Distributionally Robust Optimization under the Wasserstein Metric [11.383869751239166]
我々は多変量線形回帰(MLR)と多クラスロジスティック回帰(MLG)のための分布ロバスト最適化(DRO)の定式化を開発する。
我々は DRO の定式化を、正則化が係数行列のノルムである正規化学習問題に緩和する。
実験の結果, MLRは37%, MLGは100%, 予測誤差は37%改善した。
論文 参考訳（メタデータ） (2020-06-10T22:16:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。