高次元ファクターに基づくコンテキスト付きポートフォリオ最適化のための因子ベース条件付き拡散モデル

概要: 我々は、コンテキスト付きポートフォリオ最適化のための新しい条件付き拡散モデルを提案する。このモデルは、高次元の資産固有因子に条件付けて、翌日の株式リターンの断面（クロスセクション）分布を学習する。提案モデルは、トークン単位の条件付けを可能にするDiffusion Transformerアーキテクチャを活用しており、各資産のリターンをそれ自身の因子ベクトルに結び付けつつ、複雑な資産間の依存関係を捉えることを可能にする。学習した条件付きリターン分布から生成サンプルを引くことで、取引コストと現実的な制約を組み込みながら、日次の平均-分散および平均-CVaR最適化を実行する。中国のA株市場のデータを用いて、我々のアプローチが複数のリスク調整後パフォーマンス指標において、様々な標準的ベンチマークを一貫して上回ることを示す。さらに、条件付き拡散モデルから下流のポートフォリオ最適化タスクへと、分布近似誤差がどのように伝播するかを定量化する理論的誤差解析を提示する。我々の結果は、高次元のデータ駆動型のコンテキスト付き確率的最適化および金融上の意思決定において、生成拡散モデルが持つ可能性を示している。