עבור לתוכן
כל מסמכי הספרייה

קיבוץ גרפים קוונטי לתיקי ארביטראז׳ סטטיסטי

מאמר arXiv papers · מחבר: Dayne Marcus Lopena et al.
לקריאת המקור

סיכום

המחקר ממפה מתאמים של שאריות בין מניות S&P 500 למטריצות סמיכות עבור Gaussian Boson Sampling, שיטה קוונטית פוטונית לדגימת תת־גרפים צפופים. הוא משווה שתי גישות אשכול קלאסיות, Spectral ו-SPONGE, לשיטות הקוונטיות GBS Boost ו-GBS Roots המוצעת. האשכולות שנוצרים משמשים ליצירת תיקי ארביטראז' סטטיסטי דינמיים ונייטרליים לשוק בחלונות מתגלגלים של שנה.

סימולציות על פני משטרים מאקרו־כלכליים מדווחות על אלפא חזקה יותר מאשכול קוונטי ביקומי מניות גדולים בתקופות של תנודתיות גבוהה. היתרון המדווח נשמר בתנאי סימולציה של אובדן נמוך ומתרחב לתנאי אובדן גבוה כאשר משתמשים בהזחה קוהרנטית כדי לפצות על אובדן פוטונים. אלה תוצאות סימולציה, והמסמך אינו מספק אומדני ביצועים ספציפיים, עלויות יישום או ראיות ממסחר חי. לכן הטענות נוגעות למבנה התיק שנבדק ולא לביצועים מבוססים בעולם האמיתי.

רעיונות מרכזיים

  • השיטה ממירה מתאמי שאריות בין מניות למטריצות גרפים המתאימות ל-Gaussian Boson Sampling.
  • GBS Boost ו-GBS Roots מושווים לשיטות האשכול Spectral ו-SPONGE.
  • האשכולות משמשים לבניית תיקי ארביטראז' סטטיסטי דינמיים ונייטרליים לשוק.
  • הסימולציות מדווחות על יתרון אלפא של אשכול קוונטי ביקומים גדולים בתקופות של תנודתיות גבוהה.
  • העמידות המדווחת לאובדן פוטונים נשענת בחלקה על הזחה קוהרנטית בסימולציה.

תגיות

מניותלמידת מכונהארביטראז׳בניית תיק
הטקסט המלא
# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.