Agrupación cuántica de grafos para arbitraje estadístico

Resumen

El estudio transforma las correlaciones residuales entre acciones del S&P 500 en matrices de adyacencia para Gaussian Boson Sampling, un método cuántico fotónico para muestrear subgrafos densos. Compara dos métodos clásicos de agrupación, Spectral y SPONGE, con los métodos cuánticos GBS Boost y el propuesto GBS Roots. Los grupos resultantes se utilizan para formar carteras dinámicas de arbitraje estadístico neutrales al mercado en ventanas móviles de un año.

Las simulaciones en distintos regímenes macroeconómicos informan de un alfa mayor con la agrupación cuántica en universos de acciones amplios durante periodos de alta volatilidad. La ventaja comunicada persiste en condiciones simuladas de baja pérdida y se extiende a condiciones de alta pérdida cuando se utiliza un desplazamiento coherente para compensar la pérdida de fotones. Son resultados de simulación; el documento no aporta estimaciones específicas del rendimiento, costes de implementación ni evidencia de trading en vivo. Por tanto, sus afirmaciones se refieren al método de construcción de carteras analizado, no a un rendimiento real ya demostrado.

Ideas clave

• El método convierte las correlaciones residuales entre acciones en matrices de grafos aptas para Gaussian Boson Sampling.
• GBS Boost y GBS Roots se comparan con los métodos de agrupamiento Spectral y SPONGE.
• Los grupos se utilizan para construir carteras dinámicas de arbitraje estadístico neutrales al mercado.
• Las simulaciones muestran una ventaja en alfa de la agrupación cuántica en universos amplios durante regímenes de alta volatilidad.
• La robustez comunicada frente a la pérdida de fotones depende en parte del desplazamiento coherente simulado.

Etiquetas

# 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.

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.