論文の概要: Multi-Agent Regime-Conditioned Diffusion (MARCD) for CVaR-Constrained Portfolio Decisions
- arxiv url: http://arxiv.org/abs/2510.10807v2
- Date: Sun, 26 Oct 2025 17:01:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 17:41:21.870641
- Title: Multi-Agent Regime-Conditioned Diffusion (MARCD) for CVaR-Constrained Portfolio Decisions
- Title（参考訳）: CVaR制約ポートフォリオ決定のためのMARCD(Multi-Agent Regime-Conditioned Diffusion)
- Authors: Ali Atiah Alzahrani,
- Abstract要約: 本稿では, (i) 潜伏状態を予測するガウスHMM, (ii) 条件付きシナリオを生成する拡散生成器, (iii) 混合, 縮小モーメントによる信号抽出, (iv) 制御されたCVaRエピグラフプログラムについて述べる。
- 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 examine whether regime-conditioned generative scenarios combined with a convex CVaR allocator improve portfolio decisions under regime shifts. We present MARCD, a generative-to-decision framework with: (i) a Gaussian HMM to infer latent regimes; (ii) a diffusion generator that produces regime-conditioned scenarios; (iii) signal extraction via blended, shrunk moments; and (iv) a governed CVaR epigraph quadratic program. Contributions: Within the Scenario stage we introduce a tail-weighted diffusion objective that up-weights low-quantile outcomes relevant for drawdowns and a regime-expert (MoE) denoiser whose gate increases with crisis posteriors; both are evaluated end-to-end through the allocator. Under strict walk-forward on liquid multi-asset ETFs (2005-2025), MARCD exhibits stronger scenario calibration and materially smaller drawdowns: MaxDD 9.3% versus 14.1% for BL (a 34% reduction) over 2020-2025 out-of-sample. The framework provides an auditable pipeline with explicit budget, box, and turnover constraints, demonstrating the value of decision-aware generative modeling in finance.
- Abstract（参考訳）: コンベックスCVaRアロケータとコンベックスCVaRアロケータが組み合わさったレギュラー条件生成シナリオが、レギュラー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(ジェネレーティブ・トゥ・ディレクション・フレームワーク)について述べる。
(i)潜伏体制を推測するガウス的HMM
二 条件付きシナリオを生成する拡散発生装置
三 混成低速モーメントによる信号抽出、及び
(iv)CVaRエピグラフ二次プログラム。
コントリビューション: シナリオ段階では, ドローダウンに関連する低クエンタイル結果のアップウェイト化を目的としたテールウェイト拡散目標と, ゲートが危機後部とともに増加するレギュラー・エクスプロイト(MoE)デノイザーを導入し, 両者をアロケータを介してエンドツーエンドに評価する。
液体マルチアセストETF(2005-2025)の厳格なウォークスフォワード(英語版)の下で、MARCDはより強いシナリオキャリブレーションと実質的な縮小を示す: MaxDD 9.3% 対 BL の 14.1% 対 BL (34% 削減) 対 BL 対 BL-2025 のアウト・オブ・サンプルである。
このフレームワークは、明確な予算、ボックス、ターンオーバー制約を備えた監査可能なパイプラインを提供し、金融における意思決定対応生成モデリングの価値を実証する。
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。