Agrupamento quântico de grafos para carteiras de arbitragem estatística

Resumo

O estudo mapeia correlações residuais entre ações do S&P 500 em matrizes de adjacência para Gaussian Boson Sampling, um método quântico fotônico de amostragem de subgrafos densos. Compara duas abordagens clássicas de agrupamento, Spectral e SPONGE, com os métodos quânticos GBS Boost e o proposto GBS Roots. Os agrupamentos resultantes são usados para formar carteiras dinâmicas de arbitragem estatística neutras ao mercado em janelas móveis de um ano.

Simulações em diferentes regimes macroeconômicos relatam alfa maior com agrupamento quântico em universos amplos de ações durante períodos de alta volatilidade. A vantagem relatada persiste em condições simuladas de baixa perda e se estende a condições de alta perda quando o deslocamento coerente é usado para compensar a perda de fótons. Esses são resultados de simulação, e o documento não fornece estimativas específicas de desempenho, custos de implementação ou evidências de negociação em mercado real. Portanto, suas alegações dizem respeito à configuração de construção de carteiras testada, e não a um desempenho comprovado no mundo real.

Ideias principais

• O método converte correlações residuais entre ações em matrizes de grafos adequadas ao Gaussian Boson Sampling.
• GBS Boost e GBS Roots são comparados com os métodos de agrupamento Spectral e SPONGE.
• Os agrupamentos são usados para construir carteiras dinâmicas de arbitragem estatística neutras ao mercado.
• Simulações relatam vantagem de alfa do agrupamento quântico em universos amplos durante regimes de alta volatilidade.
• A robustez relatada à perda de fótons depende em parte do deslocamento coerente simulado.

Tags

# 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.

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.