본문으로 건너뛰기
라이브러리 문서 전체

통계적 차익거래 포트폴리오를 위한 양자 그래프 군집화

기사 arXiv papers · 저자: Dayne Marcus Lopena et al.
원문 읽기

요약

이 연구는 S&P 500 종목의 잔차 상관관계를 가우시안 보손 샘플링을 위한 인접 행렬로 변환합니다. 가우시안 보손 샘플링은 조밀 부분 그래프를 표본 추출하는 광자 기반 양자 방법입니다. 고전적 군집화 방식인 Spectral과 SPONGE, 양자 방식인 GBS Boost 및 제안된 GBS Roots를 비교합니다. 군집 결과로 1년 이동 구간에 걸친 동적 시장중립 통계적 차익거래 포트폴리오를 구성합니다.

거시경제 국면별 시뮬레이션에서는 변동성이 높은 기간과 대규모 주식 유니버스에서 양자 군집화의 알파가 더 강한 것으로 보고됩니다. 이점은 손실이 낮은 시뮬레이션 조건에서도 나타나며, 광자 손실을 보정하기 위해 결맞음 변위를 사용하면 손실이 높은 조건에서도 이어집니다. 이는 시뮬레이션 결과입니다. 문서에는 구체적인 성과 추정치, 구현 비용, 실거래 근거가 없습니다. 따라서 주장은 현실에서 성과가 입증된 방법이 아니라 시험한 포트폴리오 구성 방식에 관한 것입니다.

핵심 아이디어

  • 이 방법은 주식 잔차 상관관계를 가우시안 보손 샘플링에 적합한 그래프 행렬로 변환합니다.
  • GBS Boost와 GBS Roots를 Spectral 및 SPONGE 군집화 방식과 비교합니다.
  • 군집 결과로 동적 시장중립 통계적 차익거래 포트폴리오를 구성합니다.
  • 시뮬레이션은 변동성이 높은 국면의 대규모 유니버스에서 양자 군집화의 알파 우위를 보고합니다.
  • 광자 손실에 대한 보고된 견고성은 일부 시뮬레이션 결맞음 변위에 의존합니다.

태그

주식머신러닝차익 거래포트폴리오 구성
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.