Clustering de graphes quantiques pour des portefeuilles d’arbitrage statistique

Résumé

L’étude convertit les corrélations résiduelles entre les actions du S&P 500 en matrices d’adjacence pour le Gaussian Boson Sampling, une méthode quantique photonique d’échantillonnage de sous-graphes denses. Elle compare deux méthodes classiques de clustering, Spectral et SPONGE, aux méthodes quantiques GBS Boost et GBS Roots, proposées par les auteurs. Les clusters obtenus servent à former des portefeuilles dynamiques d’arbitrage statistique neutres au marché, sur des fenêtres glissantes d’un an.

Les simulations menées dans différents régimes macroéconomiques font état d’un alpha supérieur avec le clustering quantique pour les grands univers d’actions en période de forte volatilité. L’avantage rapporté se maintient dans les conditions simulées de faibles pertes et s’étend aux conditions de pertes élevées lorsque le déplacement cohérent compense la perte de photons. Ce sont des résultats de simulation ; le document ne fournit ni estimations précises des performances, ni coûts de mise en œuvre, ni éléments issus du trading en réel. Ses conclusions portent donc sur la construction de portefeuille testée, et non sur des performances réelles établies.

Idées clés

• La méthode transforme les corrélations résiduelles entre actions en matrices de graphes adaptées au Gaussian Boson Sampling.
• GBS Boost et GBS Roots sont comparés aux méthodes de clustering Spectral et SPONGE.
• Les clusters servent à construire des portefeuilles dynamiques d’arbitrage statistique neutres au marché.
• Les simulations font état d’un avantage d’alpha du clustering quantique dans les grands univers en période de forte volatilité.
• La robustesse rapportée face aux pertes de photons repose en partie sur un déplacement cohérent simulé.

Étiquettes

# 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.

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.