面向 CVaR 约束投资决策的多智能体制度条件扩散 (MARCD)
机器学习
2025-11-04 v3 计算金融
摘要
我们检验了是否可以通过组合制度条件生成情景与凸度量条件下值 (CVaR) 分配器，来提高在制度转换下的投资组合决策水平。我们提出了 MARCD 框架，包含：(i) 高斯隐马尔可夫模型用于推断潜在制度；(ii) 产生制度条件情景的扩散生成器；(iii) 通过加权、收缩矩数提取信号；以及 (iv) 受约束的 CVaR 双重锥二次规划程序。贡献点在于：在情景阶段，我们引入了重尾加权扩散目标，以提高与回撤相关的低分位数结果的权重，并引入一种制度专家 (MoE) 去噪器，其门控机制随危机后验概率而增大；两者均通过分配器进行端到端评估。在严格的滚动前瞻测试中，针对流动的多资产 ETF (2005-2025)，MARCD 显示出更强的情景校准能力，并在 2020-2025 年的滚动样本外实现显著更小的回撤：最大回撤 (MaxDD) 为 9.3%，相较于基准方法的 14.1%，降低了 34%。该框架提供了一个可审计的管道，包含明确的预算、箱线和换手约束，展示了在金融领域决策感知生成建模的价值。
引用
@article{arxiv.2510.10807,
title = {Multi-Agent Regime-Conditioned Diffusion (MARCD) for CVaR-Constrained Portfolio Decisions},
author = {Ali Atiah Alzahrani},
journal= {arXiv preprint arXiv:2510.10807},
year = {2025}
}
备注
Code available at: https://github.com/AliAtiah/MARCD