Cruncher Spotlight #4 – ADIA Laboratuvarı Yapısal Kırma Meydan Okuması Bugün, Crunch'ta düzenlenen 100 bin dolarlık ADIA Lab 2025 Yapısal Kırma Yarışması'nda M&G Investments Nicel Analisti Julian Mukaj'ı öne çıkarıyoruz.

Görev: yapısal kırılma doğrulaması. Bir zaman serisi ve önerilen bir değişim noktası verildiğinde, orada gerçek bir yapısal kırılma olasılığını (0–1) tahmin edin – finans, iklim, sağlık, makro ve daha fazlası alanlarındaki uygulamalarda bir sorun.

Yaklaşımın merkezinde özellik çeşitliliği yer alıyor: Julian, kesinti öncesi ve sonrası segmentleri karşılaştıran özellik aileleri oluşturur: - dağılımlar ve durağanlık - volatilite ve varyans yapısı - sıkıştırma ve karmaşıklık - spektral içerik - yol geometrisi ve uç nokta

İstatistiksel testler ve bilgi-teorik özellikler ADF, KS, Cramér–von Mises gibi klasik araçlar, ayrışmalar ve entropiler, sınır boyunca dağılım ve durağanlık kaymalarını nicelikle ölçer. Bunlar en doğrudan sinyali yakalar: "Temel hareket yasası değişti mi?"

Varyans ve volatilite dönüşümleri z-normalize dönüşlerde şunları katmanlar: - EWMA volatilitesi - yuvarlanan standart sapmalar - Standartlaştırılmış kalıntılar (şok boyutu vs yerel σ) - MOSUM tarzı varyans pencereleri Özellikler, aday kırılma etrafında varyasyon katsayısı, pürüzsüzlük, volatilite kümelenmesi ve rejime bağlı varyans yapısını takip eder.

Sıkıştırma ve CuSum geometrisi - Lempel–Ziv ve zlib tabanlı özellikler, bölünme öncesi ve sonrası dizinin ne kadar sıkıştırılabilir / yapılandırılmış olduğunu ölçür. - CuSum tabanlı özellikler (dirsek şekli, keskinlik, kalıntılar üzerindeki Wasserstein mesafeleri) orta seviye kaymalarını ve sınırdaki yerel "dirsekleri" vurgular. Birlikte, karmaşıklık ve ortalama dinamiklerdeki ince değişiklikleri ortaya çıkarırlar.

Spectral, SSA, ROCKET ve yol özellikleri - Spectral & SSA özellikleri, gücün frekanslar arasında nasıl yeniden dağıldığını ve baskın modların nasıl değiştiğini takip eder. - Deterministik ROCKET dönüşümleri, düşük dereceli istatistiklerle yakalanmayan mikroyapıyı yakalamak için hafif konvolüsyon özellikler olarak görev yapar. - Yol ve uç nokta özellikleri (çekilmeler, zirve/çukurlara olan mesafeler) rejime bağlı yol geometrisini özetler.

En çarpıcı bulgulardan biri: "sihirli özellik" – küresel varyasyon katsayısı. Kendi başına anlamlı bir AUC artışı sağladı ve daha da önemlisi, bir kapı görevi gördü: bu özelliğin küçük aralıkları, çok farklı kesme frekanslarına sahip farklı veri rejimlerini tanımlar.

Kısmi bağımlılık ve ICE analizi, modelin bu özelliği yalnızca dar eşiklere yakın bir konumda kullandığını göstermiştir. Bu eşikleri aşmak, örnekleri diğer özelliklerin önemli olduğu farklı yapraklara yönlendirir ve veri seti rejimlere (çok düşük pozitif orana sahip "kolay negatifler" bandı dahil) parçalanır. Bu etkileşim, genel olarak önemli bir AUC kazancına dönüştü.

Julian ayrıca birkaç derin öğrenme mimarisini araştırdı: - Ön/sonrası segmentler için Siam / göme modelleri - Sınır pencerelerine odaklanan CNN'ler - Hibrit LSTM–GARCH varyantları - Küresel istatistikleri, sınır pencerelerini ve ön/sonrası gömme işlemlerini karıştıran özel başlıklar Çoğu, önemli ayarlamalara rağmen %65–75 AUC civarında durdu.

Neden ağaçlar burada kazandı? Ağaç toplulukları, dar CV eşikleri gibi çok yerel, düşük boyutlu sinyalleri kullanabiliyordu, derin modeller ise normalizasyon ve temsil öğrenimi yoluyla bunları yumuşatma eğilimindeydi. Rekabet zaman çizelgesi göz önüne alındığında, özellik mühendisliği + GBDT'ler karmaşıklık, yorumlanabilirlik ve performans arasında en iyi dengeyi sundu.

Yaklaşımının bu kadar ayrıntılı bir detayını paylaştığı için Julian Mukaj'a, yapısal kırılma tespitinin sınırlarını zorlayan ADIA Lab ve tüm katılımcı Cruncher'lara büyük teşekkürler. Daha fazla Cruncher spot ışıkları yakında geliyor.