Cruncher Spotlight #4 – Виклик на структурний розрив лабораторії ADIA Сьогодні ми висвітлюємо Джуліана Мукаджа, кількісного аналітика M&G Investments, за його найкраще рішення в конкурсі ADIA Lab 2025 Structural Break Challenge з ціною $100K на Crunch.

Завдання: перевірка структурних розривів. Враховуючи часовий ряд і запропоновану точку зміни, прогнозуйте ймовірність (0–1), що там відбувся справжній структурний розрив — проблема для застосувань у фінансах, кліматі, охороні здоров'я, макросекторі та інших сферах.

У центрі підходу лежить різноманітність ознак: Джуліан створює сімейства ознак, які порівнюють сегменти до та після розриву: - розподіли та стаціонарність - волатильність і структура дисперсії - стиснення та складність - спектральний вміст - геометрія траєкторії та екстремуми

Статистичні тести та інформаційно-теоретичні особливості Класичні інструменти, такі як ADF, KS, Крамер–фон Мізес, дивергенції та ентропії кількісно оцінюють розподільчі та стаціонарні зсуви через межу. Вони відображають найпряміший сигнал: «Чи змінився основний закон руху?»

Перетворення дисперсії та волатильності На z-нормалізованих доходах він накладає шари: - Волатильність EWMA - Рухомі стандартні відхилення - стандартизовані залишки (розмір амортизатора проти локальних σ) - Вікна варіацій у стилі MOSUM Особливості відстежують коефіцієнт варіації, плавність, кластеризацію волатильності та структуру дисперсії, залежну від режиму, навколо кандидатного розриву.

Геометрія стиснення та CuSum - Ознаки на основі Лемпеля–Ziv та zlib вимірюють, наскільки стиснена / структурована послідовність до і після розщеплення. - Ознаки на основі CuSum (форма ліктя, гострота, відстані Вассерштейна на залишках) підкреслюють зсуви середнього рівня та локальні «лікті» на межі. Разом вони виявляють тонкі зміни складності та динаміки середніх показників.

Спектральні, SSA, ROCKET та особливості шляху - Спектральні та SSA-функції відстежують, як енергія перерозподіляється між частотами та як змінюються домінуючі режими. - Детерміновані перетворення ROCKET діють як легкі згорткові ознаки для захоплення мікроструктур, які не зафіксовані низькорівневими характеристиками. - Ознаки траєкторії та екстремумів (спадки, відстані до піків/западин) підсумовують геометрію шляху, залежну від режиму.

Одне з найяскравіших відкриттів: «магічна особливість» — глобальний коефіцієнт варіації. Сам по собі він забезпечував значний приріст AUC і, що важливіше, слугував воротами: невеликі інтервали цієї функції визначають окремі режими даних із дуже різними частотами перервів.

Часткова залежність і аналіз ICE показали, що модель використовує цю особливість лише поблизу вузьких порогів. Перетин цих порогів направляє вибірки в різні листки, де важливі інші ознаки, фактично розділяючи набір даних на режими (включаючи смугу «легких негативів» з дуже низькою позитивною частотою). Ця взаємодія призвела до значного загального приросту AUC.

Джуліан також досліджував кілька архітектур глибокого навчання: - Сіамські / моделі вбудовування для сегментів до/після - CNN, орієнтовані на межові вікна - Гібридні варіанти LSTM–GARCH - Кастомні головки, що поєднують глобальні характеристики, межі та до/пост вкладення Більшість із них досягли плато близько 65–75% AUC, незважаючи на значне налаштування.

Чому дерева перемогли тут? Ансамблі дерев могли використовувати дуже локальні, низьковимірні сигнали, такі як вузькі пороги CV, тоді як глибокі моделі зазвичай згладжували їх шляхом нормалізації та навчання представлень. З огляду на терміни конкуренції, розробка функцій + GBDT пропонувала найкращий компроміс між складністю, інтерпретацією та продуктивністю.

Величезна подяка Джуліану Мукаджу за такий детальний розбір свого підходу, а також ADIA Lab та всім учасникам Crunchers за розширення межі виявлення структурних розломів. Незабаром з'явиться ще більше прожекторів Cruncher.