Quanten-Graph-Clustering für Portfolios statistischer Arbitrage

Zusammenfassung

Die Studie bildet Residualkorrelationen zwischen S&P 500-Aktien in Adjazenzmatrizen für Gaussian Boson Sampling ab, einer photonischen Quantenmethode zur Stichprobenziehung dichter Teilgraphen. Sie vergleicht zwei klassische Clustering-Ansätze, Spectral und SPONGE, mit den Quantenmethoden GBS Boost und den vorgeschlagenen GBS Roots. Die resultierenden Cluster dienen dazu, dynamische, marktneutrale Portfolios statistischer Arbitrage über rollierende Zeiträume von einem Jahr zu bilden.

Simulationen über verschiedene makroökonomische Regime hinweg berichten von stärkerem Alpha durch Quanten-Clustering in großen Aktienuniversen während Phasen hoher Volatilität. Der berichtete Vorteil bleibt unter simulierten Bedingungen mit geringen Verlusten bestehen und erstreckt sich auch auf Bedingungen mit hohen Verlusten, wenn eine kohärente Verschiebung den Photonverlust ausgleicht. Dies sind Simulationsergebnisse; das Dokument nennt keine konkreten Performance-Schätzungen oder Umsetzungskosten und liefert keine Belege aus dem Live-Trading. Die Aussagen betreffen daher den getesteten Portfolioaufbau und keine nachgewiesene Performance in der Praxis.

Kernaussagen

• Die Methode wandelt Residualkorrelationen von Aktien in Graphmatrizen um, die sich für Gaussian Boson Sampling eignen.
• GBS Boost und GBS Roots werden mit den Clustering-Methoden Spectral und SPONGE verglichen.
• Cluster dienen zur Bildung dynamischer, marktneutraler Portfolios statistischer Arbitrage.
• Simulationen berichten über einen Alpha-Vorteil des Quanten-Clusterings in großen Universen während Phasen hoher Volatilität.
• Die berichtete Robustheit gegenüber Photonverlust beruht teilweise auf einer simulierten kohärenten Verschiebung.

Schlagwörter

# Gaussian Boson Sampling for Asset Clustering in Statistical Arbitrage Portfolios


# Gaussian Boson Sampling for Asset Clustering in Statistical Arbitrage Portfolios









Gaussian Boson Sampling (GBS) provides a native photonic quantum heuristic for sampling dense subgraphs from adjacency matrices, offering a scalable physical approach to combinatorial graph search problems. Simultaneously, correlation matrix clustering algorithms, such as Spectral and SPONGE, have established robust benchmarks for identifying co-moving assets from correlation matrices in statistical arbitrage (StatArb) strategies. In this work, we map S&P 500 residual correlation data into GBS-compatible adjacency matrices. We benchmark those classical clustering algorithms against two quantum clustering algorithms, GBS Boost and our novel GBS Roots, to construct dynamic, market-neutral portfolios over a rolling one-year window. Simulations across distinct macroeconomic regimes reveal that quantum clustering generates superior alpha within large stock universes during periods of high volatility, effectively isolating structural market idiosyncrasies. Crucially, this economic advantage persists under simulated low-loss conditions and extends into high-loss regimes via the application of coherent displacement to compensate for photon loss. Our findings underscore the efficacy of GBS-derived graph clustering in constructing robust StatArb portfolios, establishing a quantum foundation for broader quantitative finance applications.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.