Cruncher Spotlight #4 – Provocarea de rupere structurală a laboratorului ADIA Astăzi îl evidențiem pe Julian Mukaj, analist cantitativ la M&G Investments, pentru soluția sa de top în cadrul ADIA Lab 2025 Structural Break Challenge de 100.000$, găzduit pe Crunch.

Sarcina: verificarea rupturii structurale. Având o serie temporală și un punct de schimbare propus, preziceți probabilitatea (0–1) ca o ruptură structurală reală să fi avut loc acolo – o problemă cu aplicații în finanțe, climă, sănătate, macroeconomie și altele.

În centrul abordării se află diversitatea caracteristicilor: Julian construiește familii de caracteristici care compară segmentele de dinainte cu cele de după pauză: - distribuții și staționaritate - structura volatilității și varianței - compresie și complexitate - conținut spectral - geometria traseului și extremele

Teste statistice și caracteristici informaționale-teoretice Unelte clasice precum ADF, KS, Cramér–von Mises, divergențele și entropiile cuantifică schimbările de distribuție și staționaritate de-a lungul graniței. Acestea surprind cel mai direct semnal: "S-a schimbat legea mișcării de bază?"

Transformări de varianță și volatilitate La retururile normalizate z, el stratifică: - Volatilitatea EWMA - abateri standard rotative - reziduuri standardizate (mărimea șocului versus σ locală) - Ferestre de variație în stil MOSUM Caracteristicile urmăresc coeficientul de variație, netezimea, clusterizarea volatilității și structura varianței dependentă de regim în jurul rupturii candidate.

Compresie & Geometria CuSum - Caracteristicile bazate pe Lempel–Ziv și zlib măsoară cât de compresibilă/structurată este secvența înainte față de după separare. - Caracteristicile bazate pe CuSum (forma cotului, ascuțimea, distanțele Wasserstein pe reziduuri) evidențiază deplasările de nivel mediu și "coatele" locale la limită. Împreună, ele scot la suprafață schimbări subtile de complexitate și dinamică medie.

Caracteristici Spectral, SSA, ROCKET și path - Caracteristicile spectrale și SSA urmăresc modul în care puterea se redistribuie pe frecvențe și cum se schimbă modurile dominante. - Transformările deterministe ROCKET acționează ca caracteristici convoluționale ușoare pentru a capta microstructuri necapturate de statistici de ordin inferior. - Caracteristicile de traseu & extrem (scăderi, distanțe până la vârfuri/decăderi) rezumă geometria traseului dependentă de regim.

Una dintre cele mai remarcabile descoperiri: o "caracteristică magică" – coeficientul global de variație. De unul singur, oferea un boost semnificativ de AUC și, mai important, acționa ca o poartă: intervale foarte mici ale acestei caracteristici definesc regimuri de date distincte, cu frecvențe de întrerupere foarte diferite.

Analiza dependenței parțiale și ICE au arătat că modelul folosește această caracteristică doar în apropierea pragurilor înguste. Depasarea acestor praguri direcționează mostrele către diferite frunze unde contează și alte caracteristici, partiționând efectiv setul de date în regimuri (inclusiv o bandă de "negative ușoare" cu o rată pozitivă foarte scăzută). Această interacțiune s-a tradus într-un câștig semnificativ al AUC.

Julian a explorat, de asemenea, mai multe arhitecturi de învățare profundă: - Modele siamese / embedding pentru segmentele pre/post - CNN-uri axate pe ferestrele de graniță - Variante hibride LSTM–GARCH - Capete personalizate care combină statistici globale, ferestre de graniță și încorporații pre/post Majoritatea au stagnat în jur de 65–75% AUC, în ciuda unor reglaje substanțiale.

De ce au câștigat copacii aici? Ansamblurile arborilor puteau exploata semnale foarte locale, de dimensiuni joase, precum pragurile înguste ale CV, în timp ce modelele profunde tindeau să le netezească prin normalizare și învățare a reprezentărilor. Având în vedere calendarul competiției, ingineria caracteristicilor + GBDT-urile au oferit cel mai bun compromis între complexitate, interpretabilitate și performanță.

Mulțumiri uriașe lui Julian Mukaj pentru că a împărtășit o analiză atât de detaliată a abordării sale și ADIA Lab și tuturor participanților Crunchers pentru că au împins frontiera detectării rupturilor structurale. Vor urma mai multe prezentări Cruncher în curând.