شماریاتی آربیٹریج پورٹ فولیوز کے لیے کوانٹم گراف کلسٹرنگ

خلاصہ

یہ مطالعہ S&P 500 اسٹاکس کے باقی ماندہ باہمی تعلقات کو Gaussian Boson Sampling کے لیے مجاورتی میٹرکس میں بدلتا ہے؛ یہ گھنے ذیلی گراف کے نمونے لینے کا فوٹونک کوانٹم طریقہ ہے۔ یہ دو کلاسیکی کلسٹرنگ طریقوں، Spectral اور SPONGE، کا موازنہ کوانٹم طریقوں GBS Boost اور مجوزہ GBS Roots سے کرتا ہے۔ حاصل شدہ کلسٹرز کو متحرک، مارکیٹ نیوٹرل شماریاتی آربیٹریج پورٹ فولیوز بنانے کے لیے ہر بار ایک سال پر محیط آگے بڑھتی مدتوں میں استعمال کیا جاتا ہے۔

میکرو اکنامک حالات کے مختلف ادوار کی سیمولیشنز میں بڑے اسٹاک مجموعوں میں زیادہ اتار چڑھاؤ کے دوران کوانٹم کلسٹرنگ سے زیادہ الفا رپورٹ کیا گیا ہے۔ رپورٹ شدہ برتری نقلی کم نقصان کی حالتوں میں برقرار رہتی ہے اور فوٹون کے نقصان کی تلافی کے لیے کوہیرنٹ ڈس پلیسمنٹ استعمال کرنے پر زیادہ نقصان کی حالتوں تک بھی پہنچتی ہے۔ یہ سیمولیشن کے نتائج ہیں، اور دستاویز مخصوص کارکردگی کے تخمینے، نفاذ کی لاگت یا لائیو ٹریڈنگ کے شواہد نہیں دیتی۔ لہٰذا اس کے دعوے آزمائے گئے پورٹ فولیو سازی کے طریقے سے متعلق ہیں، حقیقی دنیا میں ثابت شدہ کارکردگی سے نہیں۔

اہم خیالات

• یہ طریقہ اسٹاک کے باقی ماندہ باہمی تعلقات کو Gaussian Boson Sampling کے لیے موزوں گراف میٹرکس میں بدلتا ہے۔
• GBS Boost اور GBS Roots کا موازنہ Spectral اور SPONGE کلسٹرنگ طریقوں سے کیا جاتا ہے۔
• کلسٹرز کو متحرک، مارکیٹ نیوٹرل شماریاتی آربیٹریج پورٹ فولیوز بنانے کے لیے استعمال کیا جاتا ہے۔
• سیمولیشنز میں زیادہ اتار چڑھاؤ کے ادوار میں بڑے مجموعوں کے لیے کوانٹم کلسٹرنگ سے الفا کی برتری رپورٹ ہوئی۔
• فوٹون کے نقصان کے خلاف رپورٹ شدہ مضبوطی جزوی طور پر نقلی کوہیرنٹ ڈس پلیسمنٹ پر منحصر ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔