Diffusion-Augmented Reinforcement Learning for Robust Portfolio Optimization under Stress Scenarios
创建于 更新于
摘要
本论文提出了Diffusion-Augmented Reinforcement Learning（DARL）框架，通过结合去噪扩散概率模型（DDPM）与深度强化学习（DRL），利用合成市场危机场景增强训练数据，有效提升了投资组合优化模型在极端压力下的鲁棒性。实证结果显示，DARL在道琼斯30只成分股上的表现显著优于传统方法，获得更高的风险调整收益和抗危机能力，尤其在2025年关税危机情形下表现出色 [page::0][page::2][page::3][page::4]。
