Algoritmos quânticos para arbitragem estatística de alta frequência

Resumo

O artigo propõe uma abordagem quântica para arbitragem estatística de alta frequência entre ações. Combina a estimação do número de condição em tempo variável com regressão linear quântica e também desenvolve métodos auxiliares para estimar números de condição e testar cointegração.

Os autores comparam a complexidade declarada com uma referência clássica, expressando o método quântico em função da quantidade de ações, do número de condição e da precisão desejada, em vez do tamanho dos dados de negociação. Trata-se de uma alegação teórica de complexidade, não de evidência de desempenho em negociação em mercado real. A descrição fornecida não apresenta avaliação empírica, detalhes de implementação ou discussão de limitações práticas do hardware; portanto, não demonstra se o ganho de velocidade proposto se traduz em sistemas de negociação utilizáveis.

Ideias principais

• O método de arbitragem proposto usa regressão linear quântica e estimação do número de condição em tempo variável.
• Ele inclui ferramentas separadas para estimar números de condição e testar cointegração.
• A complexidade declarada depende da quantidade de ações, do número de condição e da precisão desejada.
• A vantagem quântica descrita é uma alegação computacional, sem validação em mercado ao vivo.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.