Phân cụm đồ thị lượng tử cho danh mục kinh doanh chênh lệch thống kê

Tóm tắt

Nghiên cứu ánh xạ tương quan phần dư giữa các cổ phiếu S&P 500 thành ma trận kề cho Gaussian Boson Sampling, một phương pháp lượng tử quang tử để lấy mẫu đồ thị con dày đặc. Nghiên cứu so sánh hai phương pháp phân cụm cổ điển, Spectral và SPONGE, với các phương pháp lượng tử GBS Boost và GBS Roots được đề xuất. Các cụm thu được được dùng để lập danh mục kinh doanh chênh lệch thống kê năng động, trung lập với thị trường, qua các cửa sổ cuốn chiếu một năm.

Các mô phỏng qua những chế độ kinh tế vĩ mô cho thấy phân cụm lượng tử tạo ra alpha cao hơn trong các tập hợp cổ phiếu lớn vào những giai đoạn biến động cao. Lợi thế được báo cáo vẫn tồn tại trong điều kiện tổn thất thấp được mô phỏng và mở rộng sang điều kiện tổn thất cao khi dùng phép dịch chuyển kết hợp để bù cho tổn thất photon. Đây là kết quả mô phỏng; tài liệu không cung cấp ước tính hiệu quả cụ thể, chi phí triển khai hoặc bằng chứng từ giao dịch thực. Vì vậy, các khẳng định liên quan đến thiết lập xây dựng danh mục đã được kiểm tra, chứ không xác lập hiệu quả trong thế giới thực.

Ý chính

• Phương pháp chuyển tương quan phần dư giữa các cổ phiếu thành ma trận đồ thị phù hợp với Gaussian Boson Sampling.
• GBS Boost và GBS Roots được so sánh với các phương pháp phân cụm Spectral và SPONGE.
• Các cụm được dùng để xây dựng danh mục kinh doanh chênh lệch thống kê năng động, trung lập với thị trường.
• Các mô phỏng báo cáo lợi thế alpha từ phân cụm lượng tử trong những tập hợp lớn vào chế độ biến động cao.
• Độ vững trước tổn thất photon được báo cáo một phần dựa trên phép dịch chuyển kết hợp (coherent displacement) được mô phỏng.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.