💰 quantitative finance

Gaussian Boson Sampling for Asset Clustering in Statistical Arbitrage Portfolios

이 논문은 가우시안 보존 샘플링 기반의 양자 클러스터링 알고리즘이 특히 변동성이 높은 시기와 모의 광자 손실 조건 하에서 S&P 500 데이터를 활용하여 강건한 시장 중립적 통계적 차익 거래 포트폴리오를 구축하는 데 있어 고전적 방법들보다 우수한 성능을 보임을 입증한다.

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

게시일 2026-07-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

주식 시장을 수백만 명의 사람들이 같은 비트에 맞춰 움직이지만, 저마다 자신의 완벽한 댄스 파트너를 찾으려 애쓰는 거대하고 혼란스러운 댄스 플로어라고 상상해 보세요. 금융의 세계에서 트레이더들은 마치 단짝 친구처럼 함께 움직이는 주식 쌍을 끊임없이 찾고 있습니다. 만약 한 친구가 갑자기 무리에서 이탈해 달아나면, 다른 친구도 곧이어 그 뒤를 따르기 마련입니다. 트레이더들은 이 재회를 두고 베팅을 합니다. 즉, 떨어진 주식을 사고 오른 주식을 팔아서, 두 주식이 다시 결합할 때 발생하는 수익을 잡으려는 것입니다. 이것을 "통계적 차익거래(Statistical Arbitrage)"라고 부르며, 돈을 버는 핵심은 적절한 친구 그룹을 빠르고 정확하게 찾아내는 것입니다.

이를 위해 과학자들은 수학을 사용하여 누가 누구와 친구인지 지도를 그리며, 거대한 연결망을 만들어냅니다. 하지만 이 웹이 커질수록 최적의 그룹을 찾는 것은 일반적인 컴퓨터에게는 악몽이 됩니다. 그것은 마치 계속해서 커지는 건초더미 속에서 특정 바늘 하나를 찾는 것과 같습니다. 여기서 양자 물리학의 세계, 구체적으로는 "가우시안 보존 샘플링(Gaussian Boson Sampling, GBS)"이라는 화려한 기술이 등장합니다. GBS를 단순히 사물을 세는 것이 아니라, 웹의 형태를 실제로 '느끼는' 마법 같은 빛 기반의 기계라고 생각해보세요. 이 기계는 거울과 분할기 미로 속을 돌아다니는 빛의 입자(광자)를 사용합니다. 빛은 기묘한 양자적 방식으로 행동하기 때문에, 이 기계는 웹 속에서 가장 끈끈하고 연결성이 높은 친구 그룹을 순식간에 포착할 수 있습니다. 이는 일반적인 컴퓨터라면 영원히 걸릴 수도 있는 작업입니다. 큰 질문은 이것입니다. 이 빛 기반의 마법이 오늘날 우리가 사용하는 기존의 수학적 방법보다 더 나은 거래 결정을 내릴 수 있을까요?

이 논문은 바로 그 질문을 테스트하는 과정에 대한 이야기입니다. 물리학자와 금융 전문가들로 구성된 저자들은 이 양자 빛 기계를 사용하여 S&P 500(미국의 500대 기업 목록)을 더 나은 거래 그룹으로 조직할 수 있는지 확인하기로 했습니다. 그들은 단순히 추측만 한 것이 아니라, 실제 돈을 걸지 않고도 아이디어를 테스트할 수 있는 가상 놀이터인 시뮬레이션을 구축했습니다. 그들은 이 주식들의 일일 가격 변동을 지도로 변환한 다음, 그 지도를 양자 알고리즘에 입력했습니다. 그들은 이 기계가 작동하는 두 가지 새로운 방식을 만들었는데, 하나는 "GBS Boost"라 불리는 것이고, 다른 하나는 그들이 발명한 영리한 새로운 방법인 "GBS Roots"입니다. 그런 다음 이 양자 방법들을 오늘날 금융 전문가들이 사용하는 최고의 전통적인 컴퓨터 알고리즘들과 맞붙게 했습니다.

결과는 흥미로웠지만, 몇 가지 중요한 주의 사항이 있었습니다. 시뮬레이션 결과, 특히 시장이 거칠고 무서울 때 양자 방법, 특히 "GBS Roots"는 전통적인 방식보다 더 많은 수익을 내는 거래 그룹을 찾아냈습니다. 양자 기계는 다른 방법들이 놓치기 쉬운 시장의 숨겨진 구조적 특성, 특히 2008년 금융 위기나 2020년 팬데믹 폭락과 같은 고도의 스트레스 상황에서의 특성을 포착하는 데 정말 능숙해 보였습니다. 그러나 이 논문은 이 마법이 완벽하지 않다는 점도 밝혀냈습니다. 만약 빛 입자가 길을 잃거나 흩어지면(이를 "광자 손실"이라고 합니다), 양자 기계는 비틀거리며 기존 컴퓨터보다 성능이 떨어지기 시작합니다. 하지만 여기서 흥미로운 점은, 팀이 "결맞음 변위(coherent displacement)"라고 불리는 약간의 빛의 "밀기"를 추가함으로써 이를 해결할 방법을 찾아냈다는 것입니다. 이는 안정제 역할을 합니다. 이 해결책을 통해 양자 방법들은 상황이 혼란스러워질 때도 강력함과 경쟁력을 유지했습니다.

저자들은 이 모든 것이 현재 시뮬레이션 상에서 일어나고 있는 일이며, 실제 돈을 들고 실제 거래 현장에서 벌어지는 일이 아님을 신중하게 밝히고 있습니다. 또한 그들은 단순히 가장 "밀도가 높은" 친구 그룹을 찾는 것이 항상 돈을 버는 최선의 방법은 아니며, 때로는 조금 더 다양한 그룹이 더 나을 수 있다는 점도 지적합니다. 그들은 양자 접근 방식이 강력한 새로운 도구이긴 하지만, 시장이 변동성이 크고 빛 입자가 손실되지 않을 때 가장 효과적이라고 제안합니다. 따라서 우리가 아직 빛의 줄기로 주식을 사고 있지는 않지만, 이 논문은 미래에 우리의 양자 컴퓨터가 충분히 강력해진다면, 그것이 트레이더들이 가장 격렬한 시장의 춤을 헤쳐 나가는 데 필요한 비밀 무기가 될 수 있음을 시사합니다.

기술 요약: 통계적 차익거래 포트폴리오를 위한 가우시안 보존 샘플링 기반 자산 클러스터링

문제 정의
본 논문은 공변성(co-moving) 자산의 최적 클러스터를 식별함으로써 견고한 통계적 차익거래(StatArb) 포트폴리오를 구축하는 과제를 다룹니다. 전통적인 StatArb 전략은 고도로 상관관계가 높은 자산들 사이의 가격 편차가 일시적이라는 평균 회귀를 가정합니다. 핵심적인 어려움은 거대한 금융 상관관계 그래프를 클러스터 내부 상관관계는 극대화하고 클러스터 간 상관관계는 최소화하는 방향으로 정확하게 분할하는 데 있습니다. Spectral, SPONGE와 같은 고전적 클러스터링 알고리즘이 존재하지만, 저자들은 광자 양자 컴퓨팅, 특히 가우시안 보존 샘플링(GBS)이 이러한 조합론적 그래프 탐색 문제에 대해 더 우수한 휴리스틱을 제공할 수 있는지 조사합니다. 본 연구는 "최대 합의 상관관계 클러스터링 문제(Max-Agree Correlation Clustering Problem, MACCP)"를 목표로 하며, 이는 클러스터 내부 에지 가중치(상관관계)의 합을 극대화하는 그래프 분할을 찾는 것을 목적으로 합니다.

방법론
저자들은 S&P 500 잔차 상관 데이터를 GBS 호환 인접 행렬로 매핑하는 프레임워크를 제안합니다. 워크플로우는 다음과 같습니다:

데이터 처리: 주가 데이터로부터 잔차 수익률 상관 행렬을 구성하고, 주대각 성분을 0으로 만들어 노드가 주식을 나타내고 에지가 쌍별 상관관계를 나타내는 가중 그래프의 인접 행렬을 생성합니다.
양자 클러스터링 알고리즘:
- GBS Boost: GBS를 사용하여 조밀한 부분 그래프(dense subgraphs)를 샘플링하고, 이를 평가하여 클러스터를 선택하도록 조정된 알고리즘입니다.
- GBS Roots (신규): 새로운 응집형(agglomerative-style) 클러스터링 알고리즘입니다. 이 알고리즘은 GBS 장치를 사용하여 부분 그래프를 반복적으로 샘플링하고, 가중 밀도(Weighted Density, WD)를 계산하며, 샘플들의 서로소 합집합(disjoint union)을 탐욕적으로 구성하여 클러스터를 형성합니다. 이 클러스터는 그래프에서 제거되며, 그래프가 완전히 분할될 때까지 이 과정이 반복됩니다. 고전적 방법과 달리, Gs Roots는 사전에 정의된 클러스터 수( $K$ )를 요구하지 않습니다.
포트폴리오 구축: 결과 클러스터 내에서 주식들을 클러스터 평균 대비 "승자(winner)" 또는 "패자(loser)"로 분류합니다. 롤링 타임 윈도우(rolling time windows) 동안 제로 코스트(zero-cost)의 동일 가중치 역발상 전략을 실행합니다(승자는 매도, 패자는 매수).
벤치마킹: 양자 방법들을 Spectral 및 SPONGE 클러스터링 알고리즘, 그리고 양자 모사 고전 알고리즘(QIC-GBS)과 비교합니다.
시뮬레이션 조건: 시뮬레이션은 서로 다른 주식 유니버스 크기(50개 및 100개 주식)와 다양한 광자 손실( $l_r$ ) 조건 하에서 수행되었습니다. 결정적으로, 본 연구는 광자 손실을 보상하기 위해 **결맞음 변위(coherent displacement)**를 도입하여, 분포가 열적 무작위 상태로 붕괴되는 것을 방지하고 평균 광자 수를 안정화했습니다.

주요 기여

신규 알고리즘: 사전에 정의된 클러스터 수 없이 그래프를 분할하기 위해 GBS 샘플링을 활용하는 탐욕적 응집형 클러스터링 방법인 GBS Roots를 도입했습니다.
손실 완화 전략: 결맞음 변위를 적용하면 광자 손실이 존재하는 상황에서도 GBS 방법의 경제적 성과를 회복할 수 있으며, 이를 통해 높은 손실률(일부 맥락에서 최대 90%)에서도 고전 알고리즘과 경쟁할 수 있음을 입증했습니다. 반면, 보상되지 않은 손실은 성능 저하를 초래합니다.
실증적 검증: GBS 유도 클러스터링이 높은 시장 변동성 기간 동안 우수한 알파를 생성할 수 있음을 보여줌으로써, 구조적인 시장 특이성을 효과적으로 격리할 수 있다는 실증적 근거를 제공했습니다.

결과

변동성 시장에서의 성과: 손실이 없는 100개 주식 유니버스에서 양자 알고리즘(GBS Roots 및 GBS Boost)은 고전적 벤치마크(Spectral 및 SPONGE)에 비해 특히 높은 변동성 기간(예: 2020년) 동안 더 높은 누적 총수익률과 샤프 지수를 달성했습니다.
안정성: 양자 방법은 고전적 대응군에 비해 수익률의 표준 편차가 낮게 나타났으며, 이는 더 안정적인 위험 조정 성과를 시사합니다.
손실 및 변위의 영향:
- 변위가 없는 경우, 광자 손실이 70%를 초과하면 GBS 방법은 고전 알고리즘보다 성과가 저조했습니다.
- 변위를 적용하면, GBS 방법은 모든 손실률에 걸쳐 견고한 수익을 유지하며 무작위 클러스터링 베이스라인을 상회했습니다.
- 가중 밀도(WD)와 같은 그래프 이론적 지표를 극대화하는 것이 반드시 경제적 수익과 상관관계가 있는 것은 아님을 발견했습니다. SPONGE가 가장 높은 WD를 달성했으나 총수익 측면에서는 양자 방법을 뒤처졌는데, 이는 클러스터 내부 상관관계를 엄격히 극대화하는 것만으로는 최적의 StatArb 성과를 내기에 불충분함을 나타냅니다.
시장 국면 민감도: 양자 방법은 고변동성 국면(2008, 2020)에서 강력한 적응력과 우수한 위험 조정 수익을 보였으나, 저변동성 또는 장기적 단방향 추세(2017, 2022) 기간에는 우위가 감소했습니다.

의의 및 주장
본 논문은 GBS 유도 그래프 클러스터링을 통한 StatArb 포트폴리오 구축의 효용성을 입증함으로써 금융 분야를 위한 "양자 기초(quantum foundation)"를 확립한다고 주장합니다. 저자들은 자신들의 발견이 결정론적 다항 시간 내에 NP-어려운(NP-hard) 상관관계 클러스터링 문제를 해결할 것으로 기대되는 것이 아니라, 고품질의 근사 해를 생성하는 효과적인 휴리스틱으로서의 **실증적 양자 우위(empirical quantum advantage)**를 강조한다는 점을 분명히 합니다. 저자들은 GBS가 결정론적 다항 시간 내에 문제를 해결할 것으로 기대되지 않더라도, 고품질의 근사 솔루션을 생성하는 유효한 휴리스틱 역할을 한다고 주장합니다.

본 연구는 결맞음 변위를 통해 낮은 손실 조건에서 GBS의 경제적 이점이 지속되며, 높은 손실 환경에서도 확장 가능하다는 점을 강조합니다. 저자들은 GBS가 경제적 시장 구조를 식별하기 위한 수학적으로 차별화된 휴리스틱을 제공하며, 특히 대규모의 변동성이 큰 시장 세그먼트에서 가치가 있다고 결론짓습니다. 또한 현재의 하드웨어 제약이 결정적인 양자 우위 입증을 제한하고 있으나, 이 접근 방식이 향후 금융 분야의 하이브리드 양자-고전 최적화를 위한 유망한 경로를 제공한다고 언급합니다.

기술 요약: 통계적 차익거래 포트폴리오를 위한 가우시안 보존 샘플링 기반 자산 클러스터링

유사한 논문