中文

用于统计套利投资组合中资产聚类的高斯玻色子采样

量子物理 2026-07-21 v1 计算金融
作者: Dayne Marcus Lopena , Daniel Buguks , Zhenghao Li , Ewan Mer , Shana H. Winston , Shang Yu , Mihai Cucuringu , Del Rajan , Philip Intallura , Raj B. Patel
在 arXiv 上查看 ↗ PDF ↗

摘要

高斯玻色子采样（GBS）提供了一种天然的光子量子启发式方法，用于从邻接矩阵中采样密集子图，为组合图搜索问题提供了一种可扩展的物理方法。同时，相关矩阵聚类算法，如Spectral和SPONGE，已经为从统计套利（StatArb）策略中的相关矩阵识别联动资产建立了稳健的基准。在这项工作中，我们将S&P 500残差相关数据映射到GBS兼容的邻接矩阵中。我们将那些经典聚类算法与两种量子聚类算法（GBS Boost和我们新颖的GBS Roots）进行基准测试，以构建动态、市场中性投资组合，滚动一年窗口。跨不同宏观经济体制的模拟表明，在高波动时期，量子聚类在大型股票宇宙中产生优越的alpha，有效隔离结构性市场特质。至关重要的是，这种经济优势在模拟低损耗条件下持续存在，并通过应用相干位移来补偿光子损失而扩展到高损耗区域。我们的发现强调了GBS衍生的图聚类在构建稳健的StatArb投资组合中的有效性，为更广泛的量化金融应用奠定了量子基础。

关键词

高斯玻色子采样 资产聚类 统计套利 量子聚类 投资组合构建 相关矩阵

引用

@article{arxiv.2607.19279,
  title  = {Gaussian Boson Sampling for Asset Clustering in Statistical Arbitrage Portfolios},
  author = {Dayne Marcus Lopena and Daniel Buguks and Zhenghao Li and Ewan Mer and Shana H. Winston and Shang Yu and Mihai Cucuringu and Del Rajan and Philip Intallura and Raj B. Patel},
  journal= {arXiv preprint arXiv:2607.19279},
  year   = {2026}
}

备注

23 pages, 9 figures