Квантовая кластеризация графов для портфелей статистического арбитража

Сводка

В исследовании остаточные корреляции между акциями S&P 500 преобразуются в матрицы смежности для гауссовской выборки бозонов — фотонного квантового метода выборки плотных подграфов. Сравниваются два классических метода кластеризации, Spectral и SPONGE, с квантовыми методами GBS Boost и предложенным методом GBS Roots. Полученные кластеры используются для формирования динамических рыночно-нейтральных портфелей статистического арбитража на скользящих годовых окнах.

Симуляции в разных макроэкономических режимах показывают более высокую альфу при квантовой кластеризации для больших наборов акций в периоды высокой волатильности. Сообщаемое преимущество сохраняется в симуляциях с низкими потерями и распространяется на условия высоких потерь, когда для компенсации потери фотонов используется когерентное смещение. Это результаты симуляций; в документе не указаны конкретные оценки эффективности, издержки реализации или данные о торговле на реальном рынке. Поэтому выводы относятся к проверенной схеме построения портфеля, а не к подтвержденной эффективности в реальных условиях.

Ключевые идеи

• Метод преобразует остаточные корреляции акций в матрицы графа, пригодные для гауссовской выборки бозонов.
• Методы GBS Boost и GBS Roots сравниваются с методами кластеризации Spectral и SPONGE.
• Кластеры используются для построения динамических рыночно-нейтральных портфелей статистического арбитража.
• Согласно симуляциям, квантовая кластеризация дает преимущество по альфе для больших наборов акций в режимах высокой волатильности.
• Заявленная устойчивость к потере фотонов частично опирается на симулированное когерентное смещение.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.