論文の概要: Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor Portfolios

• arxiv url: http://arxiv.org/abs/2609.35086v1
• Date: Mon, 28 Sep 2026 13:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:07:29.237491
• Title: Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor Portfolios
• Title（参考訳）: 確率的因子ポートフォリオの検索・拡張拡散モデル
• Abstract要約: 我々は、類似の歴史的制度を条件に、市場表現を学習する検索拡張拡散フレームワークRADARを紹介する。 実験により、RADARは資産のリターンと相関について経済的に有意なシグナルを発生させながら、主要なリスク調整指標の最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 6.888354129972082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 本研究では,金融データのリスク構造を把握した市場状態表現の学習による,確率的割引係数(SDF)に基づくポートフォリオ最適化について検討する。 金融市場は変動する体制を持つ非定常的ダイナミクスを示し、価格やニュースデータのようなマルチモーダルな入力は確率的ノイズをしばしば含み、既存の拡散に基づくアプローチは確率的力学をモデル化するのに有効であるが、金融不確実性の状態に依存しない等方的ガウス的ノイズのような仮定に依存している。 これらの課題に対処するために、同様の歴史的体制を条件づけて市場表現を学習する検索拡張拡散フレームワークRADARを紹介する。 RADARは、検索を利用して文脈依存のノイズ分布を構築し、条件付き拡散を適用してマルチモーダル表現を識別し、経験的統計を用いて拡散過程を初期化し、状態依存の不確かさを反映する。 実験により、RADARは資産のリターンと相関について経済的に有意なシグナルを発生させながら、主要なリスク調整指標の最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics [0.0]
  本稿では,文脈に敏感な対人学習モデルを導入し,株価の予測を行う。 このアーキテクチャは、将来の価格変動をモデル化するために敵対的トレーニングを使用し、財務的なテキストデータから派生した文脈的感情特徴を取り入れている。 米国株式のサンプルを実験的に評価すると、提案手法が従来のARIMAおよびLSTMベースラインを様々な誤差の尺度で上回っていることが証明される。
  論文  参考訳（メタデータ） (2026-04-13T18:51:01Z)
• Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces [7.515283162165111]
  本稿では、ローンレベルのポイント推定とポートフォリオレベルの予測分布の両方を生成するFT-MDN-Transformerを提案する。 制御モンテカルロシミュレーションと,GCD(Global Credit Data)ローンデータセットをソースとして,新たな債券データセットをターゲットとして,実世界の送金設定において提案手法を評価する。
  論文  参考訳（メタデータ） (2026-04-03T07:54:49Z)
• Generative Diffusion Model for Risk-Neutral Derivative Pricing [0.0]
  我々はDDPMを用いてデリバティブ評価のためのリスクニュートラル資産価格ダイナミクスを生成するフレームワークを開発した。 その結果, リスクニュートラル対策の下でのマーチンゲール条件を満たす値引き経路が得られた。 これらの結果は、拡散に基づく生成モデルが、シミュレーションに基づくデリバティブ価格に対するフレキシブルで原則化されたアプローチを提供することを示している。
  論文  参考訳（メタデータ） (2026-03-21T00:44:25Z)
• Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models [60.25003813232697]
  本稿では,Masked Diffusion Models (MDMs) のトレーニング自由適応ガイダンスフレームワークとして,適応検索型Masked Diffusion (ARAM) を提案する。 ARAMは、検索した文脈によって誘導される分布シフトのSNR(Signal-to-Noise Ratio)に従って、雑音発生時の誘導スケールを校正する。 複数の知識集約型QAベンチマークの実験は、ARAMが競争力のあるRAGベースラインよりも全体的なQA性能を改善することを示している。
  論文  参考訳（メタデータ） (2026-03-18T12:54:50Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Generalized Diffusion Model with Adjusted Offset Noise [1.7767466724342067]
  本稿では,厳密な確率的枠組みの中で自然に付加的な雑音を取り入れた一般化拡散モデルを提案する。 我々は、ある調整でノイズを相殺する理論的等価性を確立し、証拠の低い境界に基づいて損失関数を導出する。 合成データセットの実験により、我々のモデルは輝度に関する課題に効果的に対処し、高次元シナリオにおいて従来の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-04T08:57:03Z)
• AMA-LSTM: Pioneering Robust and Fair Financial Audio Analysis for Stock Volatility Prediction [25.711345527738068]
  マルチモーダル法は 2つの欠点に直面しています 彼らはしばしば、信頼できるモデルを得るのに失敗し、株式市場からの情報の吸収のためにデータを過大評価する。 株のボラティリティを予測するためにマルチモーダルモデルを使用することは、性別バイアスに悩まされ、そのようなバイアスを取り除く効率的な方法が欠如している。 我々は,ロバストネス・ワールド・ファイナンシャル・オーディオ・データセットに関する包括的な実験を行い,この手法が現在の最先端ソリューションの性能を上回ることを示した。
  論文  参考訳（メタデータ） (2024-07-03T18:40:53Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)

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。