コンテンツへスキップ
ライブラリの全資料

統計的裁定ポートフォリオの量子グラフクラスタリング

記事 arXiv papers · 著者: Dayne Marcus Lopena et al.
原文を読む

サマリー

この研究では、S&P 500銘柄の残差相関を、密な部分グラフをサンプリングする光量子手法であるガウスボソンサンプリング用の隣接行列に変換します。従来のクラスタリング手法であるSpectralとSPONGEを、量子手法のGBS Boostおよび提案手法のGBS Rootsと比較します。得られたクラスターを用いて、1年ごとのローリング期間で動的なマーケットニュートラルの統計的裁定ポートフォリオを構築します。

マクロ経済環境ごとのシミュレーションでは、ボラティリティが高い期間の大規模な銘柄ユニバースにおいて、量子クラスタリングのアルファがより大きいと報告されています。報告された優位性は、シミュレーション上の低損失条件で持続し、光子損失を補うためにコヒーレント変位を用いた場合は、高損失条件にも及びます。これらはシミュレーション結果であり、具体的なパフォーマンス推定、実装コスト、実運用の証拠は示されていません。したがって、主張の対象は検証されたポートフォリオ構築の設定であり、実世界で確立されたパフォーマンスではありません。

主なアイデア

  • この手法は、銘柄の残差相関をガウスボソンサンプリングに適したグラフ行列へ変換します。
  • GBS BoostとGBS Rootsを、SpectralおよびSPONGEクラスタリング手法と比較します。
  • クラスターを用いて、動的なマーケットニュートラルの統計的裁定ポートフォリオを構築します。
  • シミュレーションでは、ボラティリティの高い局面における大規模ユニバースで、量子クラスタリングのアルファ優位性が報告されています。
  • 光子損失に対する報告上の頑健性は、一部、シミュレーション上のコヒーレント変位に依存します。

タグ

株式機械学習裁定取引ポートフォリオ構築
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。