Saltar al contenido
Todos los documentos de la biblioteca

Algoritmos cuánticos para el arbitraje estadístico de alta frecuencia

Artículo arXiv papers · Autor: Xi-Ning Zhuang et al.
Leer el original

Resumen

El artículo propone un enfoque cuántico para el arbitraje estadístico de alta frecuencia entre acciones. Combina la estimación del número de condición con tiempo variable y la regresión lineal cuántica, y también desarrolla métodos complementarios para estimar números de condición y probar la cointegración.

Los autores comparan la complejidad indicada con una referencia clásica y expresan el método cuántico en función del número de acciones, el número de condición y la precisión objetivo, en lugar de la longitud de los datos de trading. Se trata de una afirmación teórica sobre complejidad, no de evidencia de rendimiento en trading en vivo. La descripción no aporta evaluación empírica, detalles de implementación ni un análisis de las limitaciones prácticas del hardware, por lo que no demuestra que la aceleración propuesta permita crear sistemas de trading utilizables.

Ideas clave

  • El método de arbitraje propuesto utiliza regresión lineal cuántica y estimación del número de condición con tiempo variable.
  • Incluye herramientas independientes para estimar números de condición y probar la cointegración.
  • La complejidad indicada depende del número de acciones, el condicionamiento y la precisión deseada.
  • La ventaja cuántica descrita es una afirmación computacional y no se presenta validación en mercados en vivo.

Etiquetas

Renta variableArbitrajeTrading de alta frecuenciaEstadística
Texto completo
# Quantum Quantitative Trading: High-Frequency Statistical Arbitrage Algorithm


# Quantum Quantitative Trading: High-Frequency Statistical Arbitrage Algorithm









Quantitative trading is an integral part of financial markets with high calculation speed requirements, while no quantum algorithms have been introduced into this field yet. We propose quantum algorithms for high-frequency statistical arbitrage trading in this work by utilizing variable time condition number estimation and quantum linear regression.The algorithm complexity has been reduced from the classical benchmark O(N^2d) to O(sqrt(d)(kappa)^2(log(1/epsilon))^2 )). It shows quantum advantage, where N is the length of trading data, and d is the number of stocks, kappa is the condition number and epsilon is the desired precision. Moreover, two tool algorithms for condition number estimation and cointegration test are developed.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.