تسليط الضوء على كرانشر #4 – تحدي كسر هيكلي مختبر ADIA اليوم نسلط الضوء على جوليان موكاج، المحلل الكمي في M&G Investments، لأفضل حل له في تحدي الكسر الهيكلي لعام 2025 من مختبر ADIA الذي كلف 100 ألف دولار والذي استضاف على منصة Crunch.

المهمة: التحقق من الكسور الهيكلية. بالنظر إلى سلسلة زمنية ونقطة تغيير مقترحة، توقع احتمال (0–1) حدوث انقطاع هيكلي حقيقي هناك – وهي مشكلة في التطبيقات في مجالات المالية، المناخ، الرعاية الصحية، الكل، والمزيد.

في صميم هذا النهج يكمن تنوع الميزات: يبني جوليان عائلات من الميزات التي تقارن بين المقاطع قبل وبعد الاستراحة عبر: - التوزيعات والثبات - هيكل التقلب والتباين - الضغط والتعقيد - المحتوى الطيفي - هندسة المسار وأقصى الحدود

الاختبارات الإحصائية والميزات النظرية المعلوماتية الأدوات الكلاسيكية مثل ADF، KS، كرامير-فون ميزس، التباينات والإنتروبيات تحدد التحولات التوزيعية والثابتة عبر الحدود. تلتقط هذه الإشارات الأكثر مباشرة: "هل تغير قانون الحركة الأساسي؟"

تحويلات التباين والتقلب على العوائد المعادية ذات التطبيع z يضع طبقات: - تقلب EWMA - الانحرافات المعيارية المتدحرجة - بقايا موحدة (حجم الصدمة مقابل σ محلي) - نوافذ تباين على طراز MOSUM تتتبع معامل التغير، والنعومة، وتجميع التقلبات، والبنية التباينية المعتمدة على النظام حول الكسر المرشح.

هندسة الضغط والنحنات - الخصائص القائمة على ليمبل–زيف وzlib تقيس مدى قابلية الانضغاط / هيكلة التسلسل قبل وبعد الانقسام. - الميزات القائمة على CuSum (شكل المرفق، الحدة، مسافات واسرشتاين على البقايا) تبرز التحولات على المستوى المتوسط و"المرفقين" المحليين عند الحدود. معا، تظهر هذه التغيرات الطفيفة في التعقيد والديناميكيات المتوسطة.

ميزات الطيفية، SSA، ROCKET & Path - ميزات Spectral & SSA تتبع كيفية إعادة توزيع الطاقة عبر الترددات وكيف تتغير الأوضاع السائدة. - تعمل تحويلات ROCKET الحتمية كميزات التفافية خفيفة الوزن لالتقاط البنية الدقيقة التي لا تلتقط بواسطة إحصائيات منخفضة الترتيب. - تلخص ميزات المسار والقصوى (الانخفاضات، المسافات إلى القمم/المنخفضات) هندسة المسار المعتمدة على النظام.

واحدة من أكثر النتائج لفتا للنظر: "ميزة سحرية" – معامل التغير العالمي. بمفرده، قدم دفعة كبيرة لوحدة التحليل الأسترالي، والأهم من ذلك، عمل كبوابة: فترات صغيرة من هذه الميزة تحدد أنظمة بيانات مميزة ذات ترددات كسر مختلفة جدا.

أظهر تحليل الاعتماد الجزئي وتحليل ICE أن النموذج يستخدم هذه الميزة فقط بالقرب من العتبات الضيقة. عبور تلك العتبات يوجه العينات إلى أوراق مختلفة حيث تكون الميزات الأخرى مهمة، مما يقسم مجموعة البيانات فعليا إلى مناطق (بما في ذلك نطاق "السلبيات السهلية" بمعدل إيجابي منخفض جدا). وقد ترجم هذا التفاعل إلى مكاسب كبيرة في المركز الأسترالي للجامعة.

استكشف جوليان أيضا عدة بنى تعلم عميق: - نماذج السيامية / التضمين للمقاطع السابقة/اللاحقة - شبكات CNN تركز على نوافذ الحدود - متغيرات هجينة بين LSTM–GARCH - رؤوس مخصصة تمزج بين الإحصائيات العامة، نوافذ الحدود، والتضمينات قبل وبعد معظمها استقر عند حوالي 65–75٪ من AUC رغم ضبط كبير.

لماذا فازت الأشجار هنا؟ يمكن لمجموعات الأشجار استغلال إشارات محلية جدا منخفضة الأبعاد مثل عتبات CV الضيقة، بينما كانت النماذج العميقة تميل إلى تنعيم هذه الإشارات من خلال تعلم التطبيع والتمثيل. نظرا لجدول المنافسة، قدمت هندسة الميزات + GBDTs أفضل توازن بين التعقيد وقابلية التفسير والأداء.

شكر كبير لجوليان موكاج على مشاركته هذا التفصيل التفصيلي لنهجه، ولمختبر ADIA وجميع المشاركين في Crunchers لدفعهم حدود اكتشاف الكسور الهيكلية. المزيد من تسليط الضوء على كرانشر قريبا.