Algorithmes quantiques pour l’arbitrage statistique à haute fréquence

Résumé

L’article propose une approche quantique de l’arbitrage statistique à haute fréquence sur actions. Elle combine l’estimation du nombre de conditionnement à temps variable et la régression linéaire quantique ; l’article développe également des méthodes complémentaires pour estimer les nombres de conditionnement et tester la cointégration.

Les auteurs comparent la complexité annoncée à une référence classique. Ils expriment la méthode quantique en fonction du nombre d’actions, du nombre de conditionnement et de la précision visée, plutôt qu’en fonction de la longueur des données de trading. Il s’agit d’une affirmation théorique sur la complexité, et non d’une preuve de performance en trading réel. La description fournie ne présente aucune évaluation empirique ni détail d’implémentation ou discussion des contraintes matérielles pratiques ; elle ne permet donc pas d’établir si l’accélération proposée peut déboucher sur des systèmes de trading utilisables.

Idées clés

• La méthode d’arbitrage proposée utilise la régression linéaire quantique et l’estimation du nombre de conditionnement à temps variable.
• Elle comprend des outils distincts pour estimer le nombre de conditionnement et tester la cointégration.
• La complexité annoncée dépend du nombre d’actions, du conditionnement et de la précision souhaitée.
• L’avantage quantique décrit est une affirmation portant sur le calcul, sans validation sur les marchés réels.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.