الگوریتم‌های کوانتومی برای آربیتراژ آماری پربسامد
خلاصه
این مقاله رویکردی کوانتومی برای آربیتراژ آماری پربسامد میان سهام پیشنهاد می‌کند. این رویکرد برآورد عدد وضعیت با زمان متغیر را با رگرسیون خطی کوانتومی ترکیب می‌کند و روش‌های پشتیبانی برای برآورد اعداد وضعیت و آزمون هم‌انباشتگی نیز توسعه می‌دهد.
نویسندگان پیچیدگی اعلام‌شده را با معیار مقایسه کلاسیک می‌سنجند و روش کوانتومی را بر حسب تعداد سهام، عدد وضعیت و دقت هدف بیان می‌کنند، نه طول داده‌های معاملاتی. این ادعایی نظری درباره پیچیدگی محاسباتی است و شاهدی بر عملکرد معامله زنده نیست. توضیحات ارائه‌شده ارزیابی تجربی، جزئیات پیاده‌سازی یا بحثی درباره محدودیت‌های عملی سخت‌افزار ندارند؛ بنابراین مشخص نمی‌کنند که آیا شتاب پیشنهادی به سامانه‌های معاملاتی کاربردی تبدیل می‌شود یا خیر.
ایده‌های کلیدی
- روش آربیتراژ پیشنهادی از رگرسیون خطی کوانتومی و برآورد عدد وضعیت با زمان متغیر استفاده می‌کند.
- این روش ابزارهای جداگانه‌ای برای برآورد عدد وضعیت و آزمون هم‌انباشتگی دارد.
- پیچیدگی اعلام‌شده به تعداد سهام، وضعیت عددی مسئله و دقت مطلوب بستگی دارد.
- مزیت کوانتومی توصیف‌شده ادعایی محاسباتی است و اعتبارسنجی در بازار زنده ارائه نشده است.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.