💰 quantitative finance

Gaussian Boson Sampling for Asset Clustering in Statistical Arbitrage Portfolios

Este artículo demuestra que los algoritmos de agrupamiento cuántico basados en el Muestreo de Bosones Gaussianos superan a los métodos clásicos en la construcción de carteras de arbitraje estadístico robustas y neutrales al mercado a partir de datos del S&P 500, particularmente durante periodos de alta volatilidad y bajo condiciones simuladas de pérdida de fotones.

Autores originales: Dayne Marcus Lopena, Daniel Buguks, Zhenghao Li, Ewan Mer, Shana H. Winston, Shang Yu, Mihai Cucuringu, Del Rajan, Philip Intallura, Raj B. Patel

Publicado 2026-07-22

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Dayne Marcus Lopena, Daniel Buguks, Zhenghao Li, Ewan Mer, Shana H. Winston, Shang Yu, Mihai Cucuringu, Del Rajan, Philip Intallura, Raj B. Patel

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mercado de valores como una pista de baile gigante y caótica donde millones de personas se mueven al mismo ritmo, pero todos intentan encontrar a su pareja de baile perfecta. En el mundo de las finanzas, los operadores buscan constantemente pares de acciones que se muevan juntas como mejores amigos. Si un amigo de repente huye del grupo, el otro suele seguirlo poco después. Los operadores apuestan a este reencuentro, comprando la que cayó y vendiendo la que subió, con la esperanza de capturar la ganancia cuando vuelvan a unirse. Esto se llama "Arbitraje Estadístico", y la clave para ganar dinero es encontrar los grupos de amigos adecuados de forma rápida y precisa.

Para hacer esto, los científicos utilizan las matemáticas para mapear quién es amigo de quién, creando una gigantesca red de conexiones. Pero a medida que la red se agranda, encontrar los mejores grupos se convierte en una pesadilla para las computadoras normales; es como intentar encontrar una aguja específica en un pajar que no deja de crecer. Aquí entra el mundo de la física cuántica, específicamente un truco sofisticado llamado "Muestreo de Bosones Gaussianos" (GBS, por sus siglas en inglés). Piensa en el GBS como una máquina mágica basada en la luz que no solo cuenta cosas, sino que realmente siente la forma de la red. Utiliza partículas de luz (fotones) que rebotan en un laberinto de espejos y divisores. Debido a que la luz se comporta de formas cuánticas extrañas, esta máquina puede detectar instantáneamente los grupos de amigos más estrechos y conectados en la red, una tarea que a una computadora normal le tomaría una eternidad resolver. La gran pregunta es: ¿puede esta magia basada en la luz tomar mejores decisiones de inversión que las matemáticas tradicionales que usamos hoy en día?

Este documento es la historia de una prueba para responder a esa misma pregunta. Los autores, un equipo de físicos y expertos en finanzas, decidieron ver si podían usar esta máquina de luz cuántica para organizar el S&P 500 —la lista de las 500 empresas más grandes de EE. UU.— en mejores grupos de negociación. No solo hicieron conjeturas; construyeron una simulación, un patio de juegos virtual donde podían probar sus ideas sin arriesgar dinero real. Tomaron los movimientos diarios de precios de estas acciones y los convirtieron en un mapa, luego introdujeron ese mapa en su algoritmo cuántico. Crearon dos nuevas formas para que la máquina trabajara: una llamada "GBS Boost" y un método nuevo y astuto que ellos mismos inventaron llamado "GBS Roots". Luego, enfrentaron estos métodos cuánticos contra los mejores algoritmos de computación tradicional utilizados por los expertos financieros actuales.

Los resultados fueron emocionantes, pero con algunas advertencias importantes. En sus simulaciones, los métodos cuánticos, especialmente "GBS Roots", encontraron grupos de negociación que generaron más dinero que los métodos tradicionales, particularmente cuando el mercado era salvaje y aterrador. Parece que la máquina cuántica es realmente buena detectando las peculiaridades estructurales ocultas en el mercado que otros métodos pasan por alto, especialmente durante períodos de alto estrés como el colapso de 2008 o el colapso de la pandemia de 2020. Sin embargo, el documento también encontró que esta magia no es perfecta. Si las partículas de luz se pierden o se dispersan (un problema llamado "pérdida de fotones"), la máquina cuántica empieza a tropezar y rinde peor que las computadoras de la vieja escuela. Pero aquí está la parte genial: el equipo encontró una manera de solucionar esto añadiendo un pequeño "empujón" de luz, llamado "desplazamiento coherente", que actúa como un estabilizador. Con este arreglo, los métodos cuánticos se mantuvieron fuertes y competitivos incluso cuando las cosas se pusieron complicadas.

Los autores advierten cuidadosamente que todo esto está ocurriendo en una simulación en este momento, no en una pista de negociación real con dinero real. También señalan que simplemente encontrar el grupo de amigos más "denso" no siempre es la mejor manera de ganar dinero; a veces, los mejores grupos son un poco más diversos. Sugieren que, si bien el enfoque cuántico es una herramienta nueva y poderosa, funciona mejor cuando el mercado es volátil y las partículas de luz no se pierden. Así que, aunque todavía no estamos comprando acciones con rayos de luz, este documento sugiere que, en el futuro, cuando nuestras computadoras cuánticas sean lo suficientemente potentes, podrían convertirse en el arma secreta que los operadores necesitan para navegar las danzas más salvajes del mercado.

Resumen Técnico: Muestreo de Bosones Gaussianos para la Agrupación de Activos en Carteras de Arbitraje Estadístico

Planteamiento del Problema
El artículo aborda el desafío de construir carteras de Arbitraje Estadístico (StatArb) robustas mediante la identificación de grupos óptimos de activos que se mueven de forma conjunta. Las estrategias tradicionales de StatArb dependen de la reversión a la media, asumiendo que las desviaciones de precios entre activos altamente correlacionados son temporales. La dificultad central radica en particionar con precisión grandes grafos de correlación financiera en grupos que maximicen las correlaciones intra-grupo y minimicen las correlaciones inter-grupo. Aunque existen algoritmos de agrupamiento clásicos (p. ej., Espectral, SPONGE), los autores investigan si la computación cuántica fotónica, específicamente el Muestreo de Bosones Gaussianos (GBS), puede ofrecer un heurístico superior para este problema de búsqueda combinatoria de grafos. El estudio se dirige específicamente al "Problema de Agrupamiento de Correlación de Máxima Concordancia" (MACCP), con el objetivo de encontrar una partición de grafo que maximice la suma de los pesos de las aristas intra-grupo (correlaciones).

Metodología
Los autores proponen un marco que mapea los datos de correlación de residuos del S&P 500 en matrices de adyacencia compatibles con GBS. El flujo de trabajo consiste en:

Procesamiento de Datos: Construcción de una matriz de correlación de retornos residuales a partir de datos de precios de acciones, poniendo a cero la diagonal principal para crear una matriz de adyacencia para un grafo ponderado donde los nodos representan acciones y las aristas representan correlaciones de pares.
Algoritmos de Agrupamiento Cuántico:
- GBS Boost: Un algoritmo adaptado que utiliza GBS para muestrear subgrafos densos, los cuales son evaluados para seleccionar grupos.
- GBS Roots (Novedoso): Un nuevo algoritmo de agrupamiento de estilo aglomerativo. Este muestrea iterativamente subgrafos utilizando un dispositivo GBS, calcula su Densidad Ponderada (WD) y construye de forma codiciosa una unión disjunta de muestras para formar un grupo. Este grupo se elimina del grafo y el proceso se repite hasta que el grafo queda totalmente particionado. A diferencia de los métodos clásicos, GBS Roots no requiere un número predefinido de grupos ( $K$ ).
Construcción de la Cartera: Dentro de los grupos resultantes, las acciones se clasifican como "ganadoras" o "perdedoras" con respecto a la media del grupo. Se ejecuta una estrategia contraria de peso igual y coste cero (vendiendo ganadoras y comprando perdedoras) sobre ventanas de tiempo rodantes.
Evaluación Comparativa (Benchmarking): Los métodos cuánticos se comparan con los algoritmos de agrupamiento clásicos Espectral y SPONGE, así como con un algoritmo clásico inspirado en la computación cuántica (QIC-GBS).
Condiciones de Simulación: Las simulaciones se realizaron a través de diferentes tamaños de universo de acciones (50 y 100 acciones) y bajo condiciones variables de pérdida de fotones ( $l_r$ ). Crucialmente, el estudio introduce el desplazamiento coherente para compensar la pérdida de fotones, estabilizando los números medios de fotones para evitar que la distribución colapse en un estado térmico aleatorio.

Contribuciones Clave

Algoritmo Novedoso: Introducción de GBS Roots, un método de agrupamiento aglomerativo y codicioso que aprovecha el muestreo GBS para particionar grafos sin requerir un recuento predefinido de grupos.
Estrategia de Mitigación de Pérdidas: Demostración de que la aplicación de desplazamiento coherente en presencia de pérdida de fotones recupera el rendimiento económico de los métodos GBS, permitiéndoles seguir siendo competitivos con los algoritmos clásicos incluso en tasas de pérdida altas (hasta un 90% en algunos contextos), mientras que la pérdida sin compensación conduce a la degradación del rendimiento.
Validación Empírica: Provisión de evidencia empírica de que el agrupamiento derivado de GBS puede generar un alfa superior en universos de acciones grandes durante periodos de alta volatilidad del mercado, aislando eficazmente las idiosincrasias estructurales del mercado.

Resultados

Rendimiento en Mercados Volátiles: En un universo de 100 acciones sin pérdidas, los algoritmos cuánticos (GBS Roots y GBS Boost) lograron retornos totales acumulados y ratios de Sharpe más altos en comparación con los referentes clásicos (Espectral y SPONGE), particularmente durante periodos de alta volatilidad (p. ej., 2020).
Estabilidad: Los métodos cuánticos exhibieron desviaciones estándar de retornos más bajas en comparación con sus contrapartes clásicas, lo que sugiere un rendimiento ajustado por riesgo más estable en universos grandes.
Impacto de la Pérdida y el Desplazamiento:
- Sin desplazamiento, los métodos GBS tuvieron un rendimiento inferior a los algoritmos clásicos cuando la pérdida de fotones superaba el 70%.
- Con desplazamiento, los métodos GBS mantuvieron retornos robustos y superaron a las líneas base de agrupamiento aleatorio en todas las tasas de pérdida.
- El estudio encontró que maximizar las métricas de la teoría de grafos como la Densidad Ponderada (WD) no se correlaciona estrictamente con los retornos económicos; SPONGE logró la mayor WD pero quedó por detrás de los métodos cuánticos en retorno total, lo que indica que maximizar estrictamente las correlaciones intra-grupo es insuficiente para un rendimiento óptimo de StatArb.
Sensibilidad al Régimen de Mercado: Los métodos cuánticos mostraron una gran adaptabilidad y retornos ajustados por riesgo superiores durante regímenes de alta volatilidad (2008, 2020), pero mostraron ventajas disminuidas durante periodos de baja volatilidad o tendencias unidireccionales extendidas (2017, 2022).

Significancia y Reivindicaciones
El artículo afirma establecer una "base cuántica" para aplicaciones de finanzas cuantitativas al demostrar la eficacia del agrupamiento de grafos derivado de GBS en la construcción de carteras de StatArb. Los autores enfatizan que sus hallazgos resaltan una ventaja cuántica empírica en lugar de una prueba de complejidad teórica formal. Argumentan que, si bien no se espera que GBS resuelva el problema de agrupamiento de correlación NP-duro en tiempo polinómico determinista, sirve como un heurístico efectivo que genera soluciones aproximadas de alta calidad.

El trabajo subraya que la ventaja económica de GBS persiste bajo condiciones simuladas de baja pérdida y puede extenderse a regímenes de alta pérdida mediante el desplazamiento coherente. Los autores concluyen que GBS ofrece un heurístico distinto y matemáticamente diferente para identificar estructuras económicas del mercado, particularmente valioso para subconjuntos de mercado grandes y volátiles. Observan que las limitaciones actuales del hardware limitan las demostraciones definitivas de la ventaja cuántica, pero el enfoque proporciona una vía prometedora para la futura optimización híbrida cuántica-clásica en finanzas.

Resumen Técnico: Muestreo de Bosones Gaussianos para la Agrupación de Activos en Carteras de Arbitraje Estadístico

Más como este